python关联规则挖掘可视化_关联规则挖掘——Apriori及其优化（Python实现）

关联规则挖掘——Apriori及其优化

关联规则挖掘基本介绍研究方向

Apriori算法理论介绍代码实现手动编写Apriori(超级精炼版)使用Apyori包的Apriori方法

FP-Growth算法

关联规则挖掘

基本介绍

关联规则的概念最早是在Agrawal等人在1993年发表的论文 Miniing association rules between sets of items in large databases 中提出。关联规则挖掘(关联分析)用于发现隐藏在大型数据集中的联系或者规律。如今随着数据行业的快速发展，我们面对的数据规模愈发巨大，人们对于挖掘海量数据中隐含的关联知识也越来越感兴趣。

研究方向

目前来看，关联规则的主要研究方向有：

经典方法——Apriori算法串行算法 · Park等人提出的基于散列(Hash)技术产生频繁项集的算法 · 基于划分(Partition)的算法 · Toivonen提出基于采样(Sampling)思想的关联规则算法 · Han等人提出的不产生候选集的FP-Growth算法并行分布式算法 · Agrawal等人提出了CD、DD及CaD三种并行算法 · Park等人提出的PDM算法 · 基于DIC思想，Cheung等人提出的APM并行算法 · 针对DD算法的优化，引入IDD和HD算法数据流 · Giannella等人提出的FP-Stream算法 · Chi等人提出的Moment算法(基于滑动窗口) · Manku 等人提出的Sampling Lossy Counting算法图 · AGM，FSG(基于广度优先) · gSpan，FFSM，closeGraph(基于FP-Growth) · 不确定频繁子图挖掘技术EDFS(基于划分思想混合深度与宽度搜素)序列 · Zaki 等人提出的SPADE · 基于投影的PrefixSpan · Lin等人提出的MEMISP

以上罗列了一些已知的关联规则挖掘算法，并不全只是我花一个小时查出来的。接下来我主要介绍比较经典的两种算法——Apriori以及FP-Growth的实现方法。

Apriori算法

理论介绍

核心思想： 频繁项集的子集必定是频繁项集。反之，若子集非频繁，则超集必定非频繁。 算法原理： 关联规则—Apriori算法—FPTree

代码实现

手动编写Apriori(超级精炼版)

import pandas as pd

import numpy as np

from itertools import combinations

from operator import itemgetter

from time import time

import warnings

warnings.filterwarnings("ignore")

# 拿到购物栏数据

dataset = pd.read_csv('retail.csv', usecols=['items'])

# 定义自己的Aprior算法

def my_aprior(data, support_count):

"""

Aprior关联规则挖掘

@data: 数据

@support_count: 项集的频度, 最小支持度计数阈值

"""

start = time()

# 对数据进行处理，删除多余空格

for index, row in data.iterrows():

data.loc[index, 'items'] = row['items'].strip()

# 找出所有频繁一项集

single_items = (data['items'].str.split(" ", expand = True)).apply(pd.value_counts) \

.sum(axis = 1).where(lambda value: value > support_count).dropna()

print("找到所有频繁一项集")

# 创建频繁项集对照表

apriori_data = pd.DataFrame({'items': single_items.index.astype(int), 'support_count': single_items.values, 'set_size': 1})

# 整理数据集

data['set_size'] = data['items'].str.count(" ") + 1

data['items'] = data['items'].apply(lambda row: set(map(int, row.split(" "))))

single_items_set = set(single_items.index.astype(int))

# 循环计算，找到频繁项集

for length in range(2, len(single_items_set) + 1):

data = data[data['set_size'] >= length]

d = data['items'] \

.apply(lambda st: pd.Series(s if set(s).issubset(st) else None for s in combinations(single_items_set, length))) \

.apply(lambda col: [col.dropna().unique()[0], col.count()] if col.count() >= support_count else None).dropna()

if d.empty:

break

apriori_data = apriori_data.append(pd.DataFrame(

{'items': list(map(itemgetter(0), d.values)), 'support_count': list(map(itemgetter(1), d.values)),

'set_size': length}), ignore_index=True)

print("结束搜索，总耗时%s"%(time() - start))

return apriori_data

运行

my_aprior(dataset, 5000)

结果

找到所有频繁一项集

结束搜索，总耗时94.51256704330444秒

items            support_count    set_size

0    32                15167.0            1

1    38                15596.0            1

2    39                50675.0            1

3    41                14945.0            1

4    48                42135.0            1

5    (32, 39)        8455.0            2

6    (32, 48)        8034.0            2

7    (38, 39)        10345.0            2

8    (38, 48)        7944.0            2

9    (39, 41)        11414.0            2

10    (39, 48)        29142.0            2

11    (41, 48)        9018.0            2

12    (32, 39, 48)    5402.0            3

13    (38, 39, 48)    6102.0            3

14    (39, 41, 48)    7366.0            3

使用Apyori包的Apriori方法

# 使用apriori包进行分析

from apyori import apriori

dataset = pd.read_csv('retail.csv', usecols=['items'])

def create_dataset(data):

for index, row in data.iterrows():

data.loc[index, 'items'] = row['items'].strip()

data = data['items'].str.split(" ", expand = True)

# 按照list来存储

output = []

for i in range(data.shape[0]):

output.append([str(data.values[i, j]) for j in range(data.shape[1])])

return output

dataset = create_dataset(dataset)

association_rules = apriori(dataset, min_support = 0.05, min_confidence = 0.7, min_lift = 1.2, min_length = 2)

association_result = list(association_rules)

association_result

结果

[RelationRecord(items=frozenset({'41', '39'}), support=0.12946620993171662, ordered_statistics=[OrderedStatistic(items_base=frozenset({'41'}), items_add=frozenset({'39'}), confidence=0.7637336901973905, lift=1.3287082307880087)]),

RelationRecord(items=frozenset({'38', '39', '48'}), support=0.06921349334180259, ordered_statistics=[OrderedStatistic(items_base=frozenset({'38', '48'}), items_add=frozenset({'39'}), confidence=0.7681268882175226, lift=1.336351311673078)]),

RelationRecord(items=frozenset({'41', '39', '48'}), support=0.0835507361448243, ordered_statistics=[OrderedStatistic(items_base=frozenset({'41', '48'}), items_add=frozenset({'39'}), confidence=0.8168108227988469, lift=1.4210493489806006)]),

RelationRecord(items=frozenset({'None', '41', '39'}), support=0.12946620993171662, ordered_statistics=[OrderedStatistic(items_base=frozenset({'41'}), items_add=frozenset({'None', '39'}), confidence=0.7637336901973905, lift=1.3287082307880087), OrderedStatistic(items_base=frozenset({'41', 'None'}), items_add=frozenset({'39'}), confidence=0.7637336901973905, lift=1.3287082307880087)]),

RelationRecord(items=frozenset({'38', 'None', '39', '48'}), support=0.06921349334180259, ordered_statistics=[OrderedStatistic(items_base=frozenset({'38', '48'}), items_add=frozenset({'None', '39'}), confidence=0.7681268882175226, lift=1.336351311673078), OrderedStatistic(items_base=frozenset({'38', 'None', '48'}), items_add=frozenset({'39'}), confidence=0.7681268882175226, lift=1.336351311673078)]),

RelationRecord(items=frozenset({'None', '41', '39', '48'}), support=0.0835507361448243, ordered_statistics=[OrderedStatistic(items_base=frozenset({'41', '48'}), items_add=frozenset({'None', '39'}), confidence=0.8168108227988469, lift=1.4210493489806006), OrderedStatistic(items_base=frozenset({'41', 'None', '48'}), items_add=frozenset({'39'}), confidence=0.8168108227988469, lift=1.4210493489806006)])]

FP-Growth算法

Apriori在处理大数据时I/O负载会过大，而FP-Growth在Apriori上进行了优化，它只扫描数据集两次，并将数据压缩入FP-Tree中，不需要生成候选集，大大降低了计算压力。具体算法原理可以参考关联规则—Apriori算法—FPTree。 实现方式：

# FP-growth参考博客https://blog.csdn.net/songbinxu/article/details/80411388?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-3.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-3.nonecase

class treeNode:

def __init__(self, nameValue, numOccur, parentNode):

self.name = nameValue  # 存放结点名字

self.count = numOccur  # 计数器

self.nodeLink = None  # 连接相似结点

self.parent = parentNode  # 存放父节点，用于回溯

self.children = {}  # 存放子节点

def inc(self, numOccur):

self.count += numOccur

def disp(self, ind=1):

# 输出调试用

print('  '*ind, self.name, ' ', self.count)

for child in self.children.values():

child.disp(ind+1)

def updateHeader(nodeToTest, targetNode):

"""

设置头结点

@nodeToTest: 测试结点

@targetNode: 目标结点

"""

while nodeToTest.nodeLink != None:

nodeToTest = nodeToTest.nodeLink

nodeToTest.nodeLink = targetNode

def updateFPtree(items, inTree, headerTable, count):

"""

更新FP-Tree

@items: 读取的数据项集

@inTree: 已经生成的树

@headerTable: 链表的头索引表

@count: 计数器

"""

if items[0] in inTree.children:

# 判断items的第一个结点是否已作为子结点

inTree.children[items[0]].inc(count)

else:

# 创建新的分支

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]])

# 递归

if len(items) > 1:

updateFPtree(items[1::], inTree.children[items[0]], headerTable, count)

def createFPtree(dataSet, minSup=1):

"""

建立FP-Tree

@dataset: 数据集

@minSup: 最小支持度

"""

headerTable = {}

for trans in dataSet:

for item in trans:

headerTable[item] = headerTable.get(item, 0) + dataSet[trans]

for k in list(headerTable.keys()):

if headerTable[k] < minSup:

del(headerTable[k]) # 删除不满足最小支持度的元素

freqItemSet = set(headerTable.keys()) # 满足最小支持度的频繁项集

if len(freqItemSet) == 0:

return None, None

for k in headerTable:

headerTable[k] = [headerTable[k], None] # element: [count, node]

retTree = treeNode('Null Set', 1, None)

for tranSet, count in dataSet.items():

# dataSet：[element, count]

localD = {}

for item in tranSet:

if item in freqItemSet: # 过滤，只取该样本中满足最小支持度的频繁项

localD[item] = headerTable[item][0] # element : count

if len(localD) > 0:

# 根据全局频数从大到小对单样本排序

# orderedItem = [v[0] for v in sorted(localD.iteritems(), key=lambda p:(p[1], -ord(p[0])), reverse=True)]

orderedItem = [v[0] for v in sorted(localD.items(), key=lambda p:(p[1], int(p[0])), reverse=True)]

# 用过滤且排序后的样本更新树

updateFPtree(orderedItem, retTree, headerTable, count)

return retTree, headerTable

def ascendFPtree(leafNode, prefixPath):

"""

树的回溯

@leafNode: 叶子结点

@prefixPath: 前缀路径索引

"""

if leafNode.parent != None:

prefixPath.append(leafNode.name)

ascendFPtree(leafNode.parent, prefixPath)

def findPrefixPath(basePat, myHeaderTab):

"""

找到条件模式基

@basePat: 模式基

@myHeaderTab: 链表的头索引表

"""

treeNode = myHeaderTab[basePat][1] # basePat在FP树中的第一个结点

condPats = {}

while treeNode != None:

prefixPath = []

ascendFPtree(treeNode, prefixPath) # prefixPath是倒过来的，从treeNode开始到根

if len(prefixPath) > 1:

condPats[frozenset(prefixPath[1:])] = treeNode.count # 关联treeNode的计数

treeNode = treeNode.nodeLink # 下一个basePat结点

return condPats

def mineFPtree(inTree, headerTable, minSup, preFix, freqItemList):

"""

生成我的FP-Tree

@inTree:

@headerTable:

@minSup:

@preFix: 频繁项

@ freqItemList: 频繁项所有组合集合

"""

# 最开始的频繁项集是headerTable中的各元素

bigL = [v[0] for v in sorted(headerTable.items(), key=lambda p:p[1])] # 根据频繁项的总频次排序

for basePat in bigL: # 对每个频繁项

newFreqSet = preFix.copy()

newFreqSet.add(basePat)

freqItemList.append(newFreqSet)

condPattBases = findPrefixPath(basePat, headerTable) # 当前频繁项集的条件模式基

myCondTree, myHead = createFPtree(condPattBases, minSup) # 构造当前频繁项的条件FP树

if myHead != None:

# print 'conditional tree for: ', newFreqSet

# myCondTree.disp(1)

mineFPtree(myCondTree, myHead, minSup, newFreqSet, freqItemList) # 递归挖掘条件FP树

def createInitSet(dataSet):

"""

创建输入格式

@dataset: 数据集

"""

retDict={}

for trans in dataSet:

key = frozenset(trans)

if key in retDict:

retDict[frozenset(trans)] += 1

else:

retDict[frozenset(trans)] = 1

return retDict

def calSuppData(headerTable, freqItemList, total):

"""

计算支持度

@headerTable:

@freqItemList: 频繁项集

@total: 总数

"""

suppData = {}

for Item in freqItemList:

# 找到最底下的结点

Item = sorted(Item, key=lambda x:headerTable[x][0])

base = findPrefixPath(Item[0], headerTable)

# 计算支持度

support = 0

for B in base:

if frozenset(Item[1:]).issubset(set(B)):

support += base[B]

# 对于根的子结点，没有条件模式基

if len(base)==0 and len(Item)==1:

support = headerTable[Item[0]][0]

suppData[frozenset(Item)] = support/float(total)

return suppData

def aprioriGen(Lk, k):

retList = []

lenLk = len(Lk)

for i in range(lenLk):

for j in range(i+1, lenLk):

L1 = list(Lk[i])[:k-2]; L2 = list(Lk[j])[:k-2]

L1.sort(); L2.sort()

if L1 == L2:

retList.append(Lk[i] | Lk[j])

return retList

def calcConf(freqSet, H, supportData, br1, minConf=0.7):

"""

计算置信度，规则评估函数

@freqSet: 频繁项集，H的超集

@H: 目标项

@supportData: 测试

"""

prunedH = []

for conseq in H:

conf = supportData[freqSet] / supportData[freqSet - conseq]

if conf >= minConf:

print("{0} --> {1} conf:{2}".format(freqSet - conseq, conseq, conf))

br1.append((freqSet - conseq, conseq, conf))

prunedH.append(conseq)

return prunedH

def rulesFromConseq(freqSet, H, supportData, br1, minConf=0.7):

"""

这里H相当于freqSet的子集，在这个函数里面，循环是从子集元素个数由2一直增大到freqSet的元素个数减1

参数含义同calcConf

"""

m = len(H[0])

if len(freqSet) > m+1:

Hmp1 = aprioriGen(H, m+1)

Hmp1 = calcConf(freqSet, Hmp1, supportData, br1, minConf)

if len(Hmp1)>1:

rulesFromConseq(freqSet, Hmp1, supportData, br1, minConf)

def generateRules(freqItemList, supportData, minConf=0.7):

"""

关联规则生成主函数

@L: 频繁集项列表

@supportData: 包含频繁项集支持数据的字典

@minConf: 最小可信度阈值

构建关联规则需有大于等于两个的元素

"""

bigRuleList = []

for freqSet in freqItemList:

H1 = [frozenset([item]) for item in freqSet]

if len(freqSet)>1:

rulesFromConseq(freqSet, H1, supportData, bigRuleList, minConf)

else:

calcConf(freqSet, H1, supportData, bigRuleList, minConf)

return bigRuleList

调用：

# 读取数据

dataset = pd.read_csv('retail.csv', usecols=['items'])

for index, row in dataset.iterrows():

dataset.loc[index, 'items'] = row['items'].strip()

dataset = dataset['items'].str.split(" ")

start = time()

initSet = createInitSet(dataset.values)

# # 用数据集构造FP树，最小支持度5000

myFPtree, myHeaderTab = createFPtree(initSet, 5000)

freqItems = []

mineFPtree(myFPtree, myHeaderTab, 5000, set([]), freqItems)

print("结束搜索，总耗时%s"%(time() - start))

for x in freqItems:

print(x)

输出结果：

结束搜索，总耗时3.236400842666626

{'41'}

{'41', '48'}

{'41', '39', '48'}

{'41', '39'}

{'32'}

{'48', '32'}

{'39', '48', '32'}

{'39', '32'}

{'38'}

{'38', '48'}

{'38', '39', '48'}

{'38', '39'}

{'48'}

{'39', '48'}

{'39'}

运算时间相比Apriori大幅降低。