前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Python数据分析基础之关联分析FP_growth

Python数据分析基础之关联分析FP_growth

作者头像
蛰虫始航
发布2019-10-11 12:04:21
9480
发布2019-10-11 12:04:21
举报
文章被收录于专栏:蛰虫始航

本文1995字,预计阅读需9分钟;

上篇文章我们了解了关联分析的基本概念和应用场景,以及挖掘数据集中关联规则的Apriori算法,通过具体代码实现了一个Apriori算法,在上一篇文章的最后提到Apriori算法的效率并不高,因此本文就深入一个优化了的关联规则算法FP-growth。


FP-growth算法是伊利罗伊香槟分校的韩嘉炜教授于2004年提出的,它是为了解决Apriori算法每次增加频繁项集的大小都要遍历整个数据库的缺点,特别是当数据集很大时,该算法执行速度要快于Apriori算法两个数量级。

FP-growth算法的任务是将数据集存储在一个特定的称为FP树的结构之后发现频繁项集或者频繁项对,虽然它能够高效地发现频繁项集,但是不能用来发现关联规则,也就是只优化了Apriori算法两个功能中的前一个功能。

FP-growth算法将数据存储在一个称为FP树的紧凑数据结构中,它与计算机科学中的其他树的结构类似,但是它通过链接来链接相似元素,被连起来的元素可以看做一个链表。

FP_Tree_chpten

FP-growth算法只需要对数据集进行两次扫描,所以即使数据集很大时也不会花费太多的时间在扫描数据上,它发现频繁项集的基本过程如下:1)构建FP树 2)从FP树中挖掘频繁项集

创建FP Tree的数据结构

对每一频繁项,都要创建一颗条件FP树,将上面的条件模式基作为输入,通过相同的建树方法来构建这些条件树,然后递归地发现频繁项、发现条件模式基,以及发现另外的条件树。举个例子,假定为频繁项t创建一个条件FP树,然后对{t,y},{t,x}、...重复该过程。

构建相关类的代码如下:

代码语言:javascript
复制
class treeNode:  #FP Tree的树节点
    def __init__(self, nameValue, numOccur, parentNode):
        self.name = nameValue
        self.count = numOccur  #计数
        self.parent = parentNode     #父节点
        self.nodeLink = None  #横向链
        self.children = {}   #子节点

    def inc(self, numOccur):
        self.count += numOccur

    def disp(self, ind=1): #将树以文本形式显示
        print ('  '*ind, self.name, ' ', self.count)
        for child in self.children.values():
            child.disp(ind+1)

创建 FP 树的函数:

代码语言:javascript
复制
def createTree(dataSet, minSup=1): #从数据集创建FP Tree
    headerTable = {}
    #两次遍历数据集
    for trans in dataSet:#第一次遍历:统计每个元素项出现次数
        for item in trans:
            headerTable[item] = headerTable.get(item, 0) + dataSet[trans]
    klst=[j for j in  headerTable.keys()]
    for k in klst:  #移除不满足最小支持度的元素项
        if headerTable[k] < minSup: 
            del(headerTable[k])
    freqItemSet = set(headerTable.keys())
    if len(freqItemSet) == 0: return None, None  #i如果没有元素项满足要求,退出
    for k in headerTable:
        headerTable[k] = [headerTable[k], None] 
    retTree = treeNode('Null Set', 1, None) #建立树的节点
    for tranSet, count in dataSet.items():  
        localD = {}
        for item in tranSet:  
            if item in freqItemSet:
                localD[item] = headerTable[item][0]
        if len(localD) > 0: #对剩下的元素项迭代,调用updateTree
            orderedItems = [v[0] for v in sorted(localD.items(), key=lambda p: p[1], reverse=True)]
            updateTree(orderedItems, retTree, headerTable, count)
    return retTree, headerTable

def updateTree(items, inTree, headerTable, count): #增长更新树
    if items[0] in inTree.children:
        inTree.children[items[0]].inc(count) 
    else: #加入i[0]
        inTree.children[items[0]] = treeNode(items[0], count, inTree)
        if headerTable[items[0]][1] == None:
            headerTable[items[0]][1] = inTree.children[items[0]]
        else:
            updateHeader(headerTable[items[0]][1], inTree.children[items[0]])
    if len(items) > 1:
        updateTree(items[1::], inTree.children[items[0]], headerTable, count)

def updateHeader(nodeToTest, targetNode):  
    while (nodeToTest.nodeLink != None):   
        nodeToTest = nodeToTest.nodeLink
    nodeToTest.nodeLink = targetNode

抽取条件模式基(conditional pattern base)以及递归查找频繁项集。

代码语言:javascript
复制
#发现以给定元素项结尾的所有路径
def ascendTree(leafNode, prefixPath): #迭代上溯整棵树
    if leafNode.parent != None:
        prefixPath.append(leafNode.name)
        ascendTree(leafNode.parent, prefixPath)

def findPrefixPath(basePat, treeNode): 
    #返回basePat对于的所有前缀和计数,treeNode是其对应的第一个节点
    condPats = {}
    while treeNode != None:
        prefixPath = []
        ascendTree(treeNode, prefixPath)
        if len(prefixPath) > 1: 
            condPats[frozenset(prefixPath[1:])] = treeNode.count
        treeNode = treeNode.nodeLink
    return condPats

def mineTree(inTree, headerTable, minSup, preFix, freqItemList): #递归查找频繁项集的函数
    bigL = [v[0] for v in sorted(headerTable.items(), key=lambda p: p[1][0])]#排序头指针
    for basePat in bigL:  #从头指针表的底端开始
        newFreqSet = preFix.copy()
        newFreqSet.add(basePat)

        freqItemList.append(newFreqSet)
        condPattBases = findPrefixPath(basePat, headerTable[basePat][1])
        #从条件模式基构建FP树
        myCondTree, myHead = createTree(condPattBases, minSup)

        if myHead != None: #挖掘条件FP树
            mineTree(myCondTree, myHead, minSup, newFreqSet, freqItemList)

创建一个虚拟的数据集进行测试:

代码语言:javascript
复制
def createInitSet(dataSet):
    retDict = {}
    for trans in dataSet:
        retDict[frozenset(trans)] = 1
    return retDict

#测试数据
simpDat = [['r', 'z', 'h', 'j', 'p'],
               ['z', 'y', 'x', 'w', 'v', 'u', 't', 's'],
               ['z'],
               ['r', 'x', 'n', 'o', 's'],
               ['y', 'r', 'x', 'z', 'q', 't', 'p'],
               ['y', 'z', 'x', 'e', 'q', 's', 't', 'm']]

#调用

initSet = createInitSet(simpDat)
myFPtree, myHeaderTab = createTree(initSet,3)
myFPtree.disp()
myFreqList = []
mineTree(myFPtree, myHeaderTab, 3, set([]), myFreqList)

输出:

代码语言:javascript
复制
 Null Set   1
     z   5
       r   1
       x   3
         y   3
           s   2
             t   2
           r   1
             t   1
     x   1
       s   1
         r   1

关联分析还有其他的算法,以后自己肯定还会进行更深入的学习,这两篇文章分别记录了Apriori算法FP growth算法,这两个算法是很基础的,并且我们从FP growth算法对Apriori算法的改进中也应该体会这种优化的思维。这在自己建模以及使用经典模型中是很重要的。

本文相关内容同步于readingForDS[1]。

References

[1] readingForDS: https://github.com/QLWeilcf/LcfsPythonWork/blob/master/readingForDS

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2019-10-07,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 蛰虫始航 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 创建FP Tree的数据结构
  • References
相关产品与服务
数据保险箱
数据保险箱(Cloud Data Coffer Service,CDCS)为您提供更高安全系数的企业核心数据存储服务。您可以通过自定义过期天数的方法删除数据,避免误删带来的损害,还可以将数据跨地域存储,防止一些不可抗因素导致的数据丢失。数据保险箱支持通过控制台、API 等多样化方式快速简单接入,实现海量数据的存储管理。您可以使用数据保险箱对文件数据进行上传、下载,最终实现数据的安全存储和提取。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档