源码如下：
#coding=utf-8
'''
Created on Jun 14, 2011
FP-Growth FP means frequent pattern
the FP-Growth algorithm needs:
1. FP-tree (class treeNode)
2. header table (use dict)
This finds frequent itemsets similar to apriori but does not
find association rules.
@author: Peter
使用FP-growth算法发现频繁项集
FP-growth只会扫描数据集两次，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
FP-growth算法
优点:一般要快于Apriorio
缺点:实现比较困难，在某些数据集上性能会下降。
适用数据类型:标称型数据。
FP-growth算法将数据存储在一种称为FP树的紧凑数据结构中。FP代表频繁模式(Frequent
Pattern )。一棵FP树看上去与计算机科学中的其他树结构类似，但是它通过链接(link)来连接相
似元素，被连起来的元素项可以看成一个链表。
同搜索树不同的是，一个元素项可以在一棵FP树中出现多次。FP树会存储项集的出现频率，
而每个项集会以路径的方式存储在树中。存在相似元素的集合会共享树的一部分。只有当集合之
间完全不同时，树才会分叉。树节点上给出集合中的单个元素及其在序列中的出现次数，路径
会给出该序列的出现次数。
FP-growth的一般流程
(1)收集数据:使用任意方法。
(2)准备数据:由于存储的是集合，所以需要离散数据。如果要处理连续数据，需要将它们
量化为离散值。
(3)分析数据:使用任意方法。
(’)训练算法:构建一个FP树，并对树进行挖据。
(5)测试算法:没有测试过程。
(6)使用算法卜可用于识别经常出现的元素项，从而用于制定决策、推荐元素或进行预测
等应时。
创建FP树的数据结构
上面的程序给出了FP树中节点的类定义。类中包含用于存放节点名字的变量和1个计数值，
nodeLink变量用于链接相似的元素项(参考图12-I中的虚线)。类中还使用了父变量parent来
指向当前节点的父节点。通常情况下并不需要这个变量，因为通常是从上往下迭代访问节点的。
本章后面的内容中需要根据给定叶子节点上溯整棵树，这时就需要指向父节点的指针。最后，类
中还包含一个空字典变量，用于存放节点的子节点。
程序清单12-1中包括两个方法，其中inc()对count变量增加给定值，而另一个方法disp()
用于将树以文本形式显示。后者对于树构建来说并不是必要的，但是它对于调试非常有用。
总结：
FP-growth算法是一种用于发现数据集中频繁模式的有效方法。FP-growth算法利用Apriori原
则，执行更快。Apriori算法产生候选项集，然后扫描数据集来检查它们是否频繁。由于只对数据
集扫描两次，因此FP-growth算法执行更快。在FP-growth算法中，数据集存储在一个称为FP树的
结构中。FP树构建完成后，可以通过查找元素项的条件基及构建条件FP树来发现频繁项集。该
过程不断以更多元素作为条件重复进行，直到FP树只包含一个元素为止。
可以使用FP-growth算法在多种文本文档中查找频繁单词。Twitter网站为开发者提供了大量的
API来使用他们的服务。利用Python模块Python-Twitter可以很容易访问Twitter。在Twitter源
上对某个话题应用FP-growth算法，可以得到一些有关该话题的摘要信息。频繁项集生成还有其
他的一些应用，比如购物交易、医学诊断及大气研究等。
'''
class treeNode:
def __init__(self, nameValue, numOccur, parentNode):
self.name = nameValue
self.count = numOccur
self.nodeLink = None
self.parent = parentNode #needs to be updated
self.children = {}
def inc(self, numOccur):
self.count += numOccur
def disp(self, ind=1):
print ' '*ind, self.name, ' ', self.count
for child in self.children.values():
child.disp(ind+1)
'''
这里使用一个字典作为数据结构，来保存头指针表。除了存放指针外，头指针表还可以用来
保存FP树中每类元素的总数。
第一次遍历数据集会获得每个元素项的出现频率。接下来，去掉不满足最小支持度的元素项。
再下一步构建FP树。在构建时，读人每个项集并将其添加到一条已经存在的路径中。如果该路径
不存在，则创建一条新路径。每个事务就是一个无序集合。假设有集合{z,x,y}和{{y,z,r}，那么在
FP树中，相同项会只表示一次。为了解决此问题，在将集合添加到树之前，需要对每个集合进行
排序。排序基于元素项的绝对出现频率来进行。
上述代码中包含3个函数。第一个函数createTree()使用数据集以及最小支持度作为参数
来构建FP树。树构建过程中会遍历数据集两次。第一次遍历扫描数据集并统计每个元素项出现的
频度。这些信息被存储在头指针表中。接下来，扫描头指针表删掉那些出现次数少于minSup的
项.。如果所有项都不频繁，就不需要进行下一步处理O。接下来，对头指针表稍加扩展以便可
以保存计数值及指向每种类型第一个元素项的指针。然后创建只包含空集合。的根节点。最后，
再一次遍历数据集，这次只考虑那些频繁项O。这些项已经如表12-2所示那样进行了排序，然后
调用updateTree()方法0。接下来讨论函数updateTree()o
为了让FP树生长①，需调用updateTree，其中的输人参数为一个项集。图12-3给出了
updateTree()中的执行细节。该函数首先测试事务中的第一个元素项是否作为子节点存在。如
果存在的话，则更新该元素项的计数;如果不存在，则创建一个新的treeNode并将其作为一个
子节点添加到树中。这时，头指针表也要更新以指向新的节点。更新头指针表需要调用函数
updateHeader()，接下来会讨论该函数的细节。updateTree()完成的最后一件事是不断迭代
调用自身，每次调用时会去掉列表中第一个元素)o
程序清单12-2中的最后一个函数是updateHeader()，
它确保节点链接指向树中该元素项的
每一个实例。
从头指针表的nodeLink开始，一直沿着nodeLink直到到达链表末尾。
这就是一个
链表。当处理树的时候，一种很自然的反应就是迭代完成每一件事。
当以相同方式处理链表时可
能会遇到一些间题，原因是如果链刻良长可能会遇到迭代调用的次数限制。
在运行上例之前，还需要一个真正的数据集。这可以从代码库中获得，
人。
loadSimpDat()函数会返回一个事务列表。这和表12-1中的事务相同。
或者直接手工输
后面构建树时会
使用
createTree()函数，而该函数的输人数据类型不是列表。其需要的是一部字典，其中
项集为字典中的键，
而频率为每个键对应的取值。createInitSet()用于实现上述从列表
到字典的类型转换过程。将下列代码添加到fpGrowth.py文件中。
从FP树中抽取频繁项集的三个基本步骤如下:
(1)从FP树中获得条件模式基;
(2)利用条件模式基，构建一个条件FP树;
(3)迭代重复步骤(1)步骤(2)，直到树包含一个元素项为止。
'''
def createTree(dataSet, minSup=1): #create FP-tree from dataset but don't mine
headerTable = {}
#go over dataSet twice
for trans in dataSet:#first pass counts frequency of occurance
for item in trans:
headerTable[item] = headerTable.get(item, 0) + dataSet[trans]
for k in headerTable.keys(): #remove items not meeting minSup
if headerTable[k] < minSup:
del(headerTable[k])
freqItemSet = set(headerTable.keys())
#print 'freqItemSet: ',freqItemSet
if len(freqItemSet) == 0: return None, None #if no items meet min support -->get out
for k in headerTable:
headerTable[k] = [headerTable[k], None] #reformat headerTable to use Node link
#print 'headerTable: ',headerTable
retTree = treeNode('Null Set', 1, None) #create tree
for tranSet, count in dataSet.items(): #go through dataset 2nd time
localD = {}
for item in tranSet: #put transaction items in order
if item in freqItemSet:
localD[item] = headerTable[item][0]
if len(localD) > 0:
orderedItems = [v[0] for v in sorted(localD.items(), key=lambda p: p[1], reverse=True)]
updateTree(orderedItems, retTree, headerTable, count)#populate tree with ordered freq itemset
return retTree, headerTable #return tree and header table
def updateTree(items, inTree, headerTable, count):
if items[0] in inTree.children:#check if orderedItems[0] in retTree.children
inTree.children[items[0]].inc(count) #incrament count
else: #add items[0] to inTree.children
inTree.children[items[0]] = treeNode(items[0], count, inTree)
if headerTable[items[0]][1] == None: #update header table
headerTable[items[0]][1] = inTree.children[items[0]]
else:
updateHeader(headerTable[items[0]][1], inTree.children[items[0]])
if len(items) > 1:#call updateTree() with remaining ordered items
updateTree(items[1::], inTree.children[items[0]], headerTable, count)
def updateHeader(nodeToTest, targetNode): #this version does not use recursion
while (nodeToTest.nodeLink != None): #Do not use recursion to traverse a linked list!
nodeToTest = nodeToTest.nodeLink
nodeToTest.nodeLink = targetNode
'''
发现以给定元素项结尾的所有路径的函数
上述程序中的代码用于为给定元素项生成一个条件模式基，这通过访问树中所有包含给定元
素项的节点来完成。当创建树的时候，使用头指针表来指向该类型的第一个元素项，该元素项也
会链接到其后续元素项。函数findPrefixPath()遍历链表直到到达结尾。每遇到一个元素项都
会调用ascendTree()来上溯FP树，并收集所有遇到的元素项的名称.。该列表返回之后添加到
条件模式基字典condPats中。
'''
def ascendTree(leafNode, prefixPath): #ascends from leaf node to root
if leafNode.parent != None:
prefixPath.append(leafNode.name)
ascendTree(leafNode.parent, prefixPath)
def findPrefixPath(basePat, treeNode): #treeNode comes from header table
condPats = {}
while treeNode != None:
prefixPath = []
ascendTree(treeNode, prefixPath)
if len(prefixPath) > 1:
condPats[frozenset(prefixPath[1:])] = treeNode.count
treeNode = treeNode.nodeLink
return condPats
'''
对于每一个频繁项，都要创建一棵条件FP树。我们会为z, x以及其他频繁项构建条件树。可
以使用刚才发现的条件模式基作为输人数据，并通过相同的建树代码来构建这些树。然后，我们
会递归地发现频繁项、发现条件模式基，以及发现另外的条件树。举个例子来说，假定为频繁项
t}}建一个条件FP树，然后对{f t}Y} " ft}x} ,…重复该过程。元素项t的条件FP树的构建过程如图12-4
所示。
递归查找频繁项集的mineTree函数
创建条件树、前缀路径以及条件基的过程听起来比较复杂，但是代码起来相对简单。程序首
先对头指针表中的元素项按照其出现频率进行排序。(记住这里的默认顺序是按照从小到大。)O
然后，将每一个频繁项添加到频繁项集列表freqItemList中。接下来，递归调用程序清单12-4
中的findPrefixPa七h()函数来创建条件基。该条件基被当成一个新数据集输送给create-
Tree ( )函数。O这里为函数createTree()添加了足够的灵活性，以确保它可以被重用于构建
条件树。最后，如果树中有元素项的话，递归调用mineTree()函数
'''
def mineTree(inTree, headerTable, minSup, preFix, freqItemList):
bigL = [v[0] for v in sorted(headerTable.items(), key=lambda p: p[1])]#(sort header table)
for basePat in bigL: #start from bottom of header table
newFreqSet = preFix.copy()
newFreqSet.add(basePat)
#print 'finalFrequent Item: ',newFreqSet #append to set
freqItemList.append(newFreqSet)
condPattBases = findPrefixPath(basePat, headerTable[basePat][1])
#print 'condPattBases :',basePat, condPattBases
#2. construct cond FP-tree from cond. pattern base
myCondTree, myHead = createTree(condPattBases, minSup)
#print 'head from conditional tree: ', myHead
if myHead != None: #3. mine cond. FP-tree
#print 'conditional tree for: ',newFreqSet
#myCondTree.disp(1)
mineTree(myCondTree, myHead, minSup, newFreqSet, freqItemList)
def loadSimpDat():
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']]
return simpDat
def createInitSet(dataSet):
retDict = {}
for trans in dataSet:
retDict[frozenset(trans)] = 1
return retDict
'''
发现twitter源中的共现词(CO-oocurring word)
(1)收集数据:
(2)准备数据:
单词集合。
(3)分析数据:
(4)训练算法:
(5)侧试算法:
(6)使用算法:
使用Python-twitter模块来访问推文。
编写一个函数来去掉URL、去掉标点、转换成小写并从字符串中建立一个
在Python提示符下查看准备好的数据，确保它的正确性。
使用本章前面开发的。reateTree()与mineTree()函数执}TFP-growth算法。
这里不适用。
本例中没有包含具体应用，可以考虑用于情感分析或者查询推荐领域。
'''
import twitter
from time import sleep
import re
'''
函数getLotsOfTweets()处理认证然后创建一个空列表。搜索API可以一次获得100条推
文。每100条推文作为一页，而Twitte吮许一次访问14页。在完成搜索调用之后，有一个6秒钟的
睡眠延迟，这样做是出于礼貌，避免过于频繁的访问请求。print语句用于表明程序仍在执行没
有死掉。
文本解析及合成代码
我们还记得FP树的构建是通过每次应用一个实例的方式来完成的。这里假设已经获得了所有
数据，所以刚才是直接遍历所有的数据来构建FP树的。实际上可以重写。reateTree()函数，每
次读人一个实例，并随着Twitter流的不断输人而不断增长树。FP-growth算法还有一个map-reduce
版本的实现，它也很不错，可以扩展到多台机器上运行。Google使用该算法通过遍历大量文本来
发现频繁共现词，其做法和我们刚才介绍的例子非常类似①。
'''
def textParse(bigString):
urlsRemoved = re.sub('(http:[/][/]|www.)([a-z]|[A-Z]|[0-9]|[/.]|[~])*', '', bigString)
listOfTokens = re.split(r'\W*', urlsRemoved)
return [tok.lower() for tok in listOfTokens if len(tok) > 2]
def getLotsOfTweets(searchStr):
CONSUMER_KEY = ''
CONSUMER_SECRET = ''
ACCESS_TOKEN_KEY = ''
ACCESS_TOKEN_SECRET = ''
api = twitter.Api(consumer_key=CONSUMER_KEY, consumer_secret=CONSUMER_SECRET,
access_token_key=ACCESS_TOKEN_KEY,
access_token_secret=ACCESS_TOKEN_SECRET)
#you can get 1500 results 15 pages * 100 per page
resultsPages = []
for i in range(1,15):
print "fetching page %d" % i
searchResults = api.GetSearch(searchStr, per_page=100, page=i)
resultsPages.append(searchResults)
sleep(6)
return resultsPages
def mineTweets(tweetArr, minSup=5):
parsedList = []
for i in range(14):
for j in range(100):
parsedList.append(textParse(tweetArr[i][j].text))
initSet = createInitSet(parsedList)
myFPtree, myHeaderTab = createTree(initSet, minSup)
myFreqList = []
mineTree(myFPtree, myHeaderTab, minSup, set([]), myFreqList)
return myFreqList
#minSup = 3
#simpDat = loadSimpDat()
#initSet = createInitSet(simpDat)
#myFPtree, myHeaderTab = createTree(initSet, minSup)
#myFPtree.disp()
#myFreqList = []
#mineTree(myFPtree, myHeaderTab, minSup, set([]), myFreqList)
