版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/qq_32023541/article/details/82185542
关联规则指的是,当事件 A 发生时,事件 B 发生有多大的置信度。也就是 事件 B 对 事件 A 的相关性。当然这是最简单的情况,也可以多个事件关联,比如事件 A,B 发生时,事件 C 发生的概率。
Apriori 算法是一个比较传统的关联算法,主要就是基于统计学的一种算法。定义两个概念:
项集:即事件的集合
支持度:就是 Support(A=>B) = P(A∩B) 也就是 A 和 B同时发生的概率
置信度:就是 Confidence(A=>B) = P(B|A) 就是 A 发生时 B 发生的概率
有了这两个概念后,我们可以来了解下 Apriori 算法的具体步骤:
1. 连接步:首先计算每个事件发生的支持度(也就是概率),并设置一个最小的支持度,只保存大于最小支持度的事件及其支持度,我们记为 L1
2.连接步:L1 和 L1 连接,计算所有连接结果(两个事件的集合)的支持度 L2,同样只保留大于最小支持度的
3.连接步:L2 和 L1 连接,得到的连接结果为三个事件的集合 L3。
4.剪枝步:在 L3 (三个事件的集合)中剔除 项集中任意两个事件不在 L2 中的项集 ,然后再计算项集的支持度,保留大于最小支持度的项集。
5.类似重复第 3 和第4 步,直到剪枝步的结果为0,即得到最大的频繁项集。
得到了 L1,L2,....,Ln 之后,Apriori 算法就可以用支持度和置信度的概念公式计算所有事件(不管是两两之间,还是任意多的事件之间)的支持度和置信度,这就是Apriori 算法的过程。
了解了 Apriori 算法的过程后,示例代码如下: menu_orders.xls
#-*- coding:utf-8 -*-
import pandas as pd
# 导入 apriori 函数
from apriori import *
inputfile = 'wajue/menu_orders.xls'
outputfile = 'wajue/apriori_rules.xls'
data = pd.read_excel(inputfile,header = None)
print u"转换原始数据至 0-1 矩阵"
ct = lambda x:pd.Series(1,index = x[pd.notnull(x)]) # 转换成 0-1 矩阵的过渡函数
b = map(ct,data.as_matrix())
data = pd.DataFrame(list(b)).fillna(0) # 实现转换矩阵,空值用 0 填充
print data
print u"转换完毕"
del b
# 设定最小支持度
support = 0.2
# 设定最小置信度
confidence = 0.5
# 连接符,默认 -- ,需要保证原始表格中不含有该字符
ms = '->'
find_rule(data,support,confidence,ms).to_excel(outputfile)
结果为:
附注:apriori.py 代码如下:
#-*- 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%d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