《Python数据分析与挖掘实战》笔记：Apriori算法代码与使用

• Apriori 代码

import pandas as pd

#自定义连接函数，用于实现L_{k-1}到C_k的连接
def connect_string(x, ms):
	"""
	x:频繁项集列表
	ms: 连接符，这里用 ‘---’
	return: 返回长度+1的频繁项集，即L_{k-1}到C_k的连接
	"""
    x = list(map(lambda i:sorted(i.split(ms)), x)) #去除序列中的连接符，并将元素排列
	n = len(x[0]) #每个频繁项集的长度为 n
	r = []
	for i in range(len(x)):
		for j in range(i,len(x)): # 遍历每个元素，并与后面所有元素一一比对
			if x[i][:n-1] == x[j][:n-1] and x[i][n-1] != x[j][n-1]:# 当两个序列的前 n-1 项相同且第 n 项不同
				r.append(x[i][:n-1]+sorted([x[j][n-1],x[i][n-1]])) # 将两个序列不同的第 n 项和前 n-1 项拼接
	return r

#寻找关联规则的函数
def find_rule(d, support, confidence, ms = u'---'):
	"""
	d:转换后的0-1数据矩阵
	"""
	result = pd.DataFrame(index=['support', 'confidence']) #定义输出结果
	
	support_series = 1.0*d.sum()/len(d) #支持度序列
	column = list(support_series[support_series > support].index) #初步根据支持度筛选，得一项频繁集
	k = 0
	
	while len(column) > 1:
		k = k+1
		print(u'\n正在进行第%s次搜索...' %k)
		column = connect_string(column, ms) # 获取新的频繁项集
		print(u'数目：%s...' %len(column))
		sf = lambda i: d[i].prod(axis=1, numeric_only = True) #新一批支持度的计算函数
		# DataFrame.prod() 计算各轴的乘积，axis=1计算横轴
		# i 为项集列表，形如：[a,c,e]，计算三列的横向乘积，结果为‘1’表示该项集出现一次

		#创建连接数据，这一步耗时、耗内存最严重。当数据集较大时，可以考虑并行运算优化。
		d_2 = pd.DataFrame(list(map(sf,column)), index = [ms.join(i) for i in column]).T
		
		support_series_2 = 1.0*d_2[[ms.join(i) for i in column]].sum()/len(d) #计算连接后的支持度
		column = list(support_series_2[support_series_2 > support].index) #新一轮支持度筛选
		support_series = support_series.append(support_series_2)
		column2 = []
		
		for i in column: #遍历可能的推理，如{A,B,C}究竟是A+B-->C还是B+C-->A还是C+A-->B？
			i = i.split(ms)
			for j in range(len(i)):
				column2.append(i[:j]+i[j+1:]+i[j:j+1])
		
		cofidence_series = pd.Series(index=[ms.join(i) for i in column2]) #定义置信度序列
 
		for i in column2: #计算置信度序列
			cofidence_series[ms.join(i)] = support_series[ms.join(sorted(i))]/support_series[ms.join(i[:len(i)-1])]
		
		for i in cofidence_series[cofidence_series > confidence].index: #置信度筛选
			result[i] = 0.0 # 建新列
			result[i]['confidence'] = cofidence_series[i]
			result[i]['support'] = support_series[ms.join(sorted(i.split(ms)))]
	
	result = result.sort_index(ascending=False) #结果整理，输出
	print(u'\n结果为：')
	print(result.T)
	
	return result.T

• 使用代码

import pandas as pd
from apriori import * #导入自行编写的apriori函数

inputfile = '../data/menu_orders.xls'
outputfile = '../tmp/apriori_rules.xls' #结果文件
data = pd.read_excel(inputfile, header = None)

print(u'\n转换原始数据至0-1矩阵...')
ct = lambda x : pd.Series(1, index = x[pd.notnull(x)]) #转换0-1矩阵的过渡函数，非空值转换成‘1’
b = map(ct, data.values) #用map方式执行
data = pd.DataFrame(list(b)).fillna(0) #实现矩阵转换，空值用0填充
print(u'\n转换完毕。')
del b #删除中间变量b，节省内存

support = 0.2 #最小支持度
confidence = 0.5 #最小置信度
ms = '---' #连接符，默认'--'，用来区分不同元素，如A--B。需要保证原始表格中不含有该字符

find_rule(data, support, confidence, ms).to_excel(outputfile) #保存结果