原始链接里的代码是在python2下写的,有的地方我看的不是太明白,在这里,我把它修改成能在python3下运行了,还加入了一些方便自己理解的注释。
Apriori算法的pyspark实现:pyspark实现Apriori算法、循环迭代、并行处理
- #coding=utf8
- #python3.5
- #http://www.cnblogs.com/90zeng/p/apriori.html
- def loadDataSet():
- '''''创建一个用于测试的简单的数据集'''
- return [ [ 1, 3, 4,5 ], [ 2, 3, 5 ], [ 1, 2, 3,4, 5 ], [ 2,3,4, 5 ] ]
- def createC1( dataSet ):
- '''''
- 构建初始候选项集的列表,即所有候选项集只包含一个元素,
- C1是大小为1的所有候选项集的集合
- '''
- C1 = []
- for transaction in dataSet:
- for item in transaction:
- if [ item ] not in C1:
- C1.append( [ item ] )
- C1.sort()
- #return map( frozenset, C1 )
- #return [var for var in map(frozenset,C1)]
- return [frozenset(var) for var in C1]
- def scanD( D, Ck, minSupport ):
- '''''
- 计算Ck中的项集在数据集合D(记录或者transactions)中的支持度,
- 返回满足最小支持度的项集的集合,和所有项集支持度信息的字典。
- '''
- ssCnt = {}
- for tid in D: # 对于每一条transaction
- for can in Ck: # 对于每一个候选项集can,检查是否是transaction的一部分 # 即该候选can是否得到transaction的支持
- if can.issubset( tid ):
- ssCnt[ can ] = ssCnt.get( can, 0) + 1
- numItems = float( len( D ) )
- retList = []
- supportData = {}
- for key in ssCnt:
- support = ssCnt[ key ] / numItems # 每个项集的支持度
- if support >= minSupport: # 将满足最小支持度的项集,加入retList
- retList.insert( 0, key )
- supportData[ key ] = support # 汇总支持度数据
- return retList, supportData
- def aprioriGen( Lk, k ): # Aprior算法
- '''''
- 由初始候选项集的集合Lk生成新的生成候选项集,
- k表示生成的新项集中所含有的元素个数
- '''
- 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 apriori( dataSet, minSupport = 0.5 ):
- C1 = createC1( dataSet ) # 构建初始候选项集C1
- #D = map( set, dataSet ) # 将dataSet集合化,以满足scanD的格式要求
- #D=[var for var in map(set,dataSet)]
- D=[set(var) for var in dataSet]
- L1, suppData = scanD( D, C1, minSupport ) # 构建初始的频繁项集,即所有项集只有一个元素
- L = [ L1 ] # 最初的L1中的每个项集含有一个元素,新生成的
- k = 2 # 项集应该含有2个元素,所以 k=2
- while ( len( L[ k - 2 ] ) > 0 ):
- Ck = aprioriGen( L[ k - 2 ], k )
- Lk, supK = scanD( D, Ck, minSupport )
- suppData.update( supK ) # 将新的项集的支持度数据加入原来的总支持度字典中
- L.append( Lk ) # 将符合最小支持度要求的项集加入L
- k += 1 # 新生成的项集中的元素个数应不断增加
- return L, suppData # 返回所有满足条件的频繁项集的列表,和所有候选项集的支持度信息
- def calcConf( freqSet, H, supportData, brl, minConf=0.7 ): # 规则生成与评价
- '''''
- 计算规则的可信度,返回满足最小可信度的规则。
- freqSet(frozenset):频繁项集
- H(frozenset):频繁项集中所有的元素
- supportData(dic):频繁项集中所有元素的支持度
- brl(tuple):满足可信度条件的关联规则
- minConf(float):最小可信度
- '''
- prunedH = []
- for conseq in H:
- conf = supportData[ freqSet ] / supportData[ freqSet - conseq ]
- if conf >= minConf:
- print(freqSet - conseq, '-->', conseq, 'conf:', conf)
- brl.append( ( freqSet - conseq, conseq, conf ) )
- prunedH.append( conseq )
- return prunedH
- def rulesFromConseq( freqSet, H, supportData, brl, minConf=0.7 ):
- '''''
- 对频繁项集中元素超过2的项集进行合并。
- freqSet(frozenset):频繁项集
- H(frozenset):频繁项集中的所有元素,即可以出现在规则右部的元素
- supportData(dict):所有项集的支持度信息
- brl(tuple):生成的规则
- '''
- m = len( H[ 0 ] )
- if len( freqSet ) > m + 1: # 查看频繁项集是否足够大,以到于移除大小为 m的子集,否则继续生成m+1大小的频繁项集
- Hmp1 = aprioriGen( H, m + 1 )
- Hmp1 = calcConf( freqSet, Hmp1, supportData, brl, minConf ) #对于新生成的m+1大小的频繁项集,计算新生成的关联规则的右则的集合
- if len( Hmp1 ) > 1: # 如果不止一条规则满足要求(新生成的关联规则的右则的集合的大小大于1),进一步递归合并,
- #这样做的结果就是会有“[1|多]->多”(右边只会是“多”,因为合并的本质是频繁子项集变大,
- #而calcConf函数的关联结果的右侧就是频繁子项集)的关联结果
- rulesFromConseq( freqSet, Hmp1, supportData, brl, minConf )
- def generateRules( L, supportData, minConf=0.7 ):
- '''''
- 根据频繁项集和最小可信度生成规则。
- L(list):存储频繁项集
- supportData(dict):存储着所有项集(不仅仅是频繁项集)的支持度
- minConf(float):最小可信度
- '''
- bigRuleList = []
- for i in range( 1, len( L ) ):
- for freqSet in L[ i ]: # 对于每一个频繁项集的集合freqSet
- H1 = [ frozenset( [ item ] ) for item in freqSet ]
- if i > 1:# 如果频繁项集中的元素个数大于2,需要进一步合并,这样做的结果就是会有“[1|多]->多”(右边只会是“多”,
- #因为合并的本质是频繁子项集变大,而calcConf函数的关联结果的右侧就是频繁子项集),的关联结果
- rulesFromConseq( freqSet, H1, supportData, bigRuleList, minConf )
- else:
- calcConf( freqSet, H1, supportData, bigRuleList, minConf )
- return bigRuleList
- if __name__ == '__main__':
- myDat = loadDataSet() # 导入数据集
- #C1 = createC1( myDat ) # 构建第一个候选项集列表C1
- #D = map( set, myDat ) # 构建集合表示的数据集 D,python3中的写法,或者下面那种
- #D=[var for var in map(set,myDat)]
- #D=[set(var) for var in myDat] #D: [{1, 3, 4}, {2, 3, 5}, {1, 2, 3, 5}, {2, 5}]
- #L, suppData = scanD( D, C1, 0.5 ) # 选择出支持度不小于0.5 的项集作为频繁项集
- #print(u"频繁项集L:", L)
- #print(u"所有候选项集的支持度信息:", suppData)
- #print("myDat",myDat)
- L, suppData = apriori( myDat, 0.5 ) # 选择频繁项集
- print(u"频繁项集L:", L)
- print(u"所有候选项集的支持度信息:", suppData)
- rules = generateRules( L, suppData, minConf=0.7 )
- print('rules:\n', rules)