Advertisement

数据挖掘模型——Aprior算法关联规则——python代码

阅读量:
(1)关联规则和频繁项集

A:关联规则的一般形式:

项集A、B同时发生的概率称为关联规则的支持度

项集A发生,则项集B发生的概率为关联规则的置信度

B:最小支持度和最小置信度

最低支撑程度:用作衡量支持程度的标准之一,在统计学中代表项目集达到的最低重要性水平

最小置信度:衡量置信度的一个阙值,表示关联规则的最低可靠性

同时满足最小支持度阙值和最小置信度阙值的规则称为强规则

C:项集

项集是项的集合。包括k个项的项集称为k项集

项集的出现频率是所有包含项集的事务个数

若项集I的相对支持度满足预定义的最小支持度阙值,则I是频繁项集

D:支持度计数

项集A的支持度数值等于事务数据集中包含项集A的具体事务数量,并被简称为项集A的频率或计数值。

基于给定的项集及其支持度数值,则可由各相关事务库的支持程度数据计算出规则A→B及其支持度与可信度。

相关博客:

(2)Aprior算法

Aprior算法的核心理念在于首先从交易数据库中识别出所有最大频率项目组合,在此基础上结合预设最低置信水平阈值来构建一系列强关联规则。

复制代码
 #-*- coding: utf-8 -*-

    
 from __future__ import print_function
    
 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 = list(map(lambda i:sorted(i.split(ms)), x))
    
   l = len(x[0])
    
   r = []
    
   for i in range(len(x)):
    
     for j in range(i,len(x)):
    
       if x[i][:l-1] == x[j][:l-1] and x[i][l-1] != x[j][l-1]:
    
     r.append(x[i][:l-1]+sorted([x[j][l-1],x[i][l-1]]))
    
   return r
    
  
    
 #寻找关联规则的函数
    
 def find_rule(d, support, confidence, ms = u'--'):
    
   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
    
   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)
    
     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
    
     
    
     #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
    
       result[i]['confidence'] = cofidence_series[i]
    
       result[i]['support'] = support_series[ms.join(sorted(i.split(ms)))]
    
   
    
   result = result.T.sort(['confidence','support'], ascending = False) #结果整理,输出
    
   print(u'\n结果为:')
    
   print(result)
    
   
    
   return result

全部评论 (0)

还没有任何评论哟~