使用FP-growth算法发现频繁项集

源码如下：

#coding=utf-8'''Created on Jun 14, 2011FP-Growth FP means frequent patternthe 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(FrequentPattern )。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 tabledef 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 simpDatdef 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 twitterfrom time import sleepimport 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 resultsPagesdef 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)