Apriori算法详解之【二、伪代码和例子】

上一篇文章中对Apriori算法进行了简单的描述（http://blog.csdn.net/a1610770854/article/details/50888993），现在用伪代码实现，及对经典例子进行描述。

一、Apriori算法伪代码实现：

 伪代码描述：
  // 找出频繁 1 项集
      L1 =find_frequent_1-itemsets(D);
      For(k=2;Lk-1 !=null;k++){
 // 产生候选，并剪枝
         Ck =apriori_gen(Lk-1 );
 // 扫描 D 进行候选计数
         For each 事务t  in D{
             Ct =subset(Ck,t); // 得到 t 的子集
             For each 候选 c 属于 Ct
                 c.count++;
         }
         //返回候选项集中不小于最小支持度的项集
         Lk ={c 属于 Ck | c.count>=min_sup}
 }
 Return L= 所有的频繁集；
 第一步：连接（join）
 Procedure apriori_gen (Lk-1 :frequent(k-1)-itemsets)
       For each 项集 l1 属于 Lk-1
          For each 项集 l2 属于 Lk-1
             If( (l1 [1]=l2 [1])&&( l1 [2]=l2 [2])&& ……&& (l1 [k-2]=l2 [k-2])&&(l1 [k-1]<l2 [k-1]) )
 then{
                     c = l1 连接 l2    // 连接步：产生候选
                   //若k-1项集中已经存在子集c则进行剪枝
                    if has_infrequent_subset(c, Lk-1 ) then
                        delete c; // 剪枝步：删除非频繁候选
                    else add c to Ck;
                    }
           Return Ck;
 第二步：剪枝（prune）
  Procedure has_infrequent_sub (c:candidate k-itemset; Lk-1 :frequent(k-1)-itemsets)
          For each (k-1)-subset s of c
             If s 不属于 Lk-1 then
                Return true;
         Return false;

二Apriori算法例子：

三、总结：

  ①Apriori算法的缺点：(1)由频繁k-1项集进行自连接生成的候选频繁k项集数量巨大。(2)在验证候选频繁k项集的时候需要对整个数据库进行扫描，非常耗时。

  ②网上提到的频集算法的几种优化方法：1. 基于划分的方法。2. 基于hash的方法。3. 基于采样的方法。4. 减少交易的个数。

   我重点看了“基于划分的方法”改进算法，现在简单介绍一下实现思想：

基于划分(partition)的算法，这个算法先把数据库从逻辑上分成几个互不相交的块，每次单独考虑一个分块并 对它生成所有的频集，然后把产生的频集合并，用来生成所有可能的频集，最后计算这些项集的支持度。

其中，partition算法要注意的是分片的大小选取，要保证每个分片可以被放入到内存。当每个分片产生频集后，再合并产生产生全局的候选k-项集。若在多个处理器分片，可以通过处理器之间共享一个杂凑树来产生频集。

   看这个图基本再对照伪代码，基本就可以看懂了~简单明了。