[Data Mining]APriori算法C++实现

// stdafx.h#ifndef __STDAFX_H__#define __STDAFX_H__#include <algorithm>#include <iostream>#include <string>#include <vector>#include <map>#include <cstring>#include <cassert>#include <cstdlib>#include <cctype>#include <cstdio>using namespace std;#define PAUSEpause();#define STOPwhile (true) { pause(); }#endif

// stdafx.cpp#include "stdafx.h"

// assist.h#ifndef __ASSIST_H__#define __ASSIST_H__#include "stdafx.h"void pause(void); // 中断暂停void sort_unique(string& str); // 将一个字符串排序后去重#endif

// assist.cpp#include "stdafx.h"#include "assist.h"void pause(void){system("pause>nul");}void sort_unique(string& str){sort(str.begin(), str.end()); // 排序string::iterator old_end = str.end(); // 去重string::iterator new_end = unique(str.begin(), str.end());str.erase(new_end, old_end);}

// ItemSet.h#ifndef __ITEM_SET_H__#define __ITEM_SET_H__struct CItemSet // 项集{string m_seq; // 用string保存项的序列，将string当成整型数组用// 项集中的元素统统去重并按字典序升序排列// 构造函数CItemSet(void) {} // 默认空的构造函数CItemSet(string seq): m_seq(seq) {} // 直接用string构造CItemSet(const CItemSet& obj): m_seq(obj.m_seq) {} // 复制构造函数void split_dot_blank(char* buff); // 对输入的m_seq进行解析去掉分隔符得到数字序列friend istream& operator>>(istream& in, CItemSet& obj); // 输入friend ostream& operator<<(ostream& out, const CItemSet& obj); // 输出// 比较运算符，满足STL的协议bool operator==(const CItemSet& oth) const;bool operator<(const CItemSet& oth) const;int size() const; // 返回项集中项的个数bool isEmpty(void) const; // 项集是否为空bool isInside(const CItemSet& oth) const; // 项集this是否包含于项集&oth中// 两个剪枝bool operator%(const CItemSet& oth) const; // 判断this和oth是否拥有相同的前缀bool split_appear(vector<CItemSet>& set_list) const; // k + 1项集的所有k项子集是否都出现在项集集合set_list中// 实际中set_list将传入计算出的k频繁项集集合CItemSet sub_set_at(int i) const; // 将项集中的第i个项拆出来单独形成一个{ ai }项并返回CItemSet operator+(const CItemSet& oth) const; // 集合并CItemSet operator-(const CItemSet& oth) const; // 集合减};#endif

// ItemSet.cpp#include "stdafx.h"#include "assist.h"#include "ItemSet.h"void CItemSet::split_dot_blank(char* buff){#defineIN0// 在数字序列中#defineOUT1// 不在数字序列中char str_num[1024]; // 存放输入序列中的数字部分int flag = OUT; // 刚开始初始化为在序列外char seq_buff[1024]; // 用于暂存映射好的seqint k = 0;// i指示seq，j指示str_numfor (int i = 0, j = 0; i <= strlen(buff); i++) {if (!ispunct(buff[i]) && !isspace(buff[i]) && buff[i] != '\0') { // 如果为数字if (flag == OUT) {flag = IN; // 从序列外到序列内表示新的数字的开始j = 0; // 因此j要清0，表示开始一个新的数字序列}str_num[j++] = buff[i];}else { // 如果为分隔符if (flag == IN) {flag = OUT; // 从序列内到序列外表示一个数字序列的结束str_num[j] = '\0'; // 因此要添加字符串结束符号int num;sscanf(str_num, "%d", &num);// if (!mp[num]) mp[num] = ++cnt;// seq_buff[k++] = mp[num] + 'A' - 1;seq_buff[k++] = num;}}}seq_buff[k] = '\0';m_seq = string(seq_buff);sort_unique(m_seq);#undefIN#undefOUT}istream& operator>>(istream& in, CItemSet& obj) {char buff[1024];if (!gets(buff)) {in.clear();return in >> buff;}obj.split_dot_blank(buff);return in;}ostream& operator<<(ostream& out, const CItemSet& obj) {cout << "{ ";for (int i = 0; i < obj.m_seq.length(); i++) {out << (int)obj.m_seq[i];if (i + 1 < obj.m_seq.length())cout << ", ";}cout << " }";return out;}bool CItemSet::operator==(const CItemSet& oth) const{ // 相等就是字符串相等return m_seq == oth.m_seq;}bool CItemSet::operator<(const CItemSet& oth) const{ // 小于就是字符串小于return m_seq < oth.m_seq;}int CItemSet::size() const{return m_seq.length();}bool CItemSet::isEmpty(void) const{return m_seq.size() == 0;}bool CItemSet::isInside(const CItemSet& oth) const{ // 将this中的每个字符逐个放到oth中查找，必须都存在才返回truefor (int i = 0; i < m_seq.length(); i++)if (oth.m_seq.find(m_seq[i]) == -1)return false;return true;}bool CItemSet::operator%(const CItemSet& oth) const{ // 判断前缀是否相等// 首先序列长度至少要大于1if (m_seq.size() != 1 && m_seq.substr(0, m_seq.length() - 1) != oth.m_seq.substr(0, oth.m_seq.length() - 1))return false; // 前缀相同才能合并return true;}bool CItemSet::split_appear(vector<CItemSet>& set_list) const{for (int i = 0; i < m_seq.length(); i++){string tmp_seq = m_seq;CItemSet itmset = CItemSet(tmp_seq.erase(i, 1)); // 逐个擦除字符// 剩下的序列和set_list中的每个序列都二分查找一下，必须出现一次才能返回truevector<CItemSet>::iterator it_find = find(set_list.begin(), set_list.end(), itmset);if (it_find == set_list.end())return false;}return true;}CItemSet CItemSet::sub_set_at(int i) const{assert(0 <= i && i <= m_seq.length());return CItemSet(m_seq.substr(i, 1));}CItemSet CItemSet::operator+(const CItemSet& oth) const{string seq_cat;seq_cat = m_seq + oth.m_seq; // 相加后一定要排序去重sort_unique(seq_cat);return CItemSet(seq_cat);}CItemSet CItemSet::operator-(const CItemSet& oth) const{int pos = m_seq.find(oth.m_seq);string tmp_seq = m_seq;return CItemSet(tmp_seq.erase(pos, oth.m_seq.length()));}

// Assoc.h#ifndef __ASSOC_H__#define __ASSOC_H__struct CAssoc // 关联规则{CItemSet m_fst, m_sec; // 前件和后件CAssoc(CItemSet fst, CItemSet sec):m_fst(fst), m_sec(sec) {}friend ostream& operator<<(ostream& os, const CAssoc& obj);};#endif

// Assoc.cpp#include "stdafx.h"#include "assist.h"#include "ItemSet.h"#include "Assoc.h"ostream& operator<<(ostream& os, const CAssoc& obj){os << obj.m_fst << " -> " << obj.m_sec;return os;}

// Tasks.h#ifndef __TASKS_H__#define __TASKS_H__struct CTasks {vector<CItemSet> task_list; // 输入的任务序列// 频繁项集序列// fre_set_list[0]就是频繁1项集序列// fre_set_list[1]就是频繁2项集序列，以此类推vector<vector<CItemSet> > fre_set_list;vector<CAssoc> str_assoc_list; // 强关联规则的列表// 提供"项集 -> 项集出现的次数的映射"// 通过get_count将STL map的负责处理过程包装起来map<CItemSet, int> mp;int max; // 输入序列中最大的序号// 支持度和置信度的阈值double sup;double conf;CTasks(void): max(0), sup(42.85), conf(71.4) {}// 输入输出任务表，都正规化表示friend istream& operator>>(istream& is, CTasks& obj);friend ostream& operator<<(ostream& os, CTasks& obj);int get_count(const CItemSet& itmset); // 得到mp[itmset]的值（记忆化存储）double get_sup(const CItemSet& itmset); // 得到项集itmset的支持度double get_conf(const CAssoc& assoc); // 得到关联规则assoc对应的置信度void make_fre_set_list(void); // 构造任务表的频繁项集void rec(const CItemSet& fst, const CItemSet& sec, int start); // 递归构造候选关联规则void make_str_assoc_list(void); // 构造任务表的强关联规则};#endif

// Tasks.cpp#include "stdafx.h"#include "assist.h"#include "ItemSet.h"#include "Assoc.h"#include "Tasks.h"istream& operator>>(istream& is, CTasks& obj){CItemSet it;is >> obj.sup >> obj.conf;char ch;getchar(ch);while (is >> it) obj.task_list.push_back(it);for (int i = 0; i < obj.task_list.size(); i++)for (int j = 0; j < obj.task_list[i].m_seq.length(); j++)if (obj.task_list[i].m_seq[j] > obj.max)obj.max = obj.task_list[i].m_seq[j];is.clear();return is;}ostream& operator<<(ostream& os, CTasks& obj){for (int i = 0; i < obj.task_list.size(); i++) {os << "task " << i + 1 << " : " << obj.task_list[i] << endl;}cout << endl;cout << "Minimum Support: " << obj.sup << endl;cout << "Minimum Confidence: " << obj.conf << endl;return os;}int CTasks::get_count(const CItemSet& itmset){if (mp.find(itmset) == mp.end()) {int cnt = 0;for (int i = 0; i < task_list.size(); i++)if (itmset.isInside(task_list[i]))cnt++;mp.insert(make_pair<CItemSet, int>(itmset, cnt));}return mp.find(itmset)->second;}double CTasks::get_sup(const CItemSet& itmset){return get_count(itmset) * 100.0 / task_list.size();}double CTasks::get_conf(const CAssoc& assoc){return get_count(assoc.m_fst + assoc.m_sec) * 100.0 / get_count(assoc.m_fst);}void CTasks::make_fre_set_list(void){vector<CItemSet> cd_list; // 候选集列表vector<CItemSet> fi_list; // 最终集列表for (int i = 1; i <= max; i++) { // 构造候选1项集string seq("0");seq[0] = i;cd_list.push_back(CItemSet(seq));}PAUSEfor (int lvl = 1; cd_list.size() > 0; lvl++) // 从lvl项集开始构造{int i, j;cout << "-----" << lvl << " Item Sets-----" << endl;cout << endl;PAUSEcout << "-Candidate sets:" << endl; // 先打印候选项集列表if (cd_list.size() == 0) {PAUSEcout << "There is no candidate item set!" << endl;PAUSEreturn ;}for (i = 0; i < cd_list.size(); i++) {PAUSEdouble tmp_sup = get_sup(cd_list[i]);cout << cd_list[i] << " : " << tmp_sup << "  ";if (tmp_sup >= sup) { // 打印同时判断是否满足最小支持度要求cout << "√" << endl;fi_list.push_back(cd_list[i]); // 满足的顺便压入最终列表}else cout << "×" << endl;}cd_list.clear(); // 结束后将候选列表清空，为生成k + 1项集做准备cout << endl;PAUSEcout << "+Final sets:" << endl; // 打印最终列表PAUSEif (fi_list.size() == 0) {cout << "There is no final sets!" << endl;PAUSEreturn ;}fre_set_list.push_back(fi_list);for (i = 0; i < fi_list.size(); i++)cout << fi_list[i] << endl;cout << endl;for (i = 0; i < fi_list.size(); i++) // 由k项集最终列表生成候选k + 1项集列表for (j = i + 1; j < fi_list.size(); j++) {if (!(fi_list[i] % fi_list[j])) continue; // 先剪枝：前缀相同才能合并CItemSet tmp_itmset = fi_list[i] + fi_list[j];if (!tmp_itmset.isEmpty() && tmp_itmset.split_appear(fi_list))// 再剪枝：合并的k + 1项集的所有k项子集必须都出现在k频繁项集列表中cd_list.push_back(tmp_itmset);}fi_list.clear(); // 完毕后k频繁项集清空，为下一轮做准备PAUSE}}// 由关联规则fst -> sec来构造所有候选关联规则void CTasks::rec(const CItemSet& fst, const CItemSet& sec, int start){ // start指向前件中需要挪到后件去的那个项的开始试探值if (fst.size() == 1) return ; // 递归终点：前件至少要有一个项for (int i = start; i < fst.size(); i++) {CItemSet single_set = fst.sub_set_at(i);CItemSet next_fst = fst - single_set; // 从前件中挪走第i项CItemSet next_sec = sec + single_set; // 放到后件中CAssoc tmp_assoc(next_fst, next_sec); // 形成新的关联规则double tmp_conf = get_conf(tmp_assoc); // 并计算新关联规则的置信度cout << tmp_assoc << " : " << tmp_conf << "  ";if (tmp_conf > conf) { // 剪枝1：对于置信度小于最低置信度的就不用往下递归了cout << "√" << endl;str_assoc_list.push_back(tmp_assoc);rec(next_fst, next_sec, i); // 剪枝2：往下递归时不用从头（0）开始试探，而是// 从去掉的第i项的后面一项开始试探// 原因有俩，其一是如果上一层是成功的，则从i之前试探会重复// 其二是如果上一层是失败的，则意味着i之前必有失败的案例，如果继续把那个失败的项// 加入后件仍然会是失败的// 因此后件即使不排序也是自动按照字典序升序排列的}else cout << "×" << endl;PAUSE}}void CTasks::make_str_assoc_list(void){cout << "-Candidate:" << endl; // 先打印候选关联规则PAUSEfor (int i = 1; i < fre_set_list.size(); i++)for (int j = 0; j < fre_set_list[i].size(); j++)rec(fre_set_list[i][j], CItemSet(string("")), 0);cout << endl;cout << "+Final:" << endl; // 再打印最终得到的强关联规则PAUSEif (!str_assoc_list.size()) {cout << "no strong association rules" << endl;PAUSEreturn ;}PAUSEfor (int k = 0; k < str_assoc_list.size(); k++) cout << str_assoc_list[k] << endl;PAUSE}

// main.cpp#include "stdafx.h"#include "assist.h"#include "ItemSet.h"#include "Assoc.h"#include "Tasks.h"// 输入：第一行是最小支持度和置信度，接着每行一条任务/*41.85 71.41,2,31,2,41,3,41,2,3,51,3,52,4,51,2,3,4*//* 最后来三个EOF才行，因为输入流使用C++和C的混编 *//* 之后程序遇到每一步都会暂停，按任意键继续即可 */int main() {CTasks tasks;cin >> tasks;cout << endl;cout << "==================================" << endl;cout << "==============Tasks===============" << endl;cout << "==================================" << endl;cout << endl;cout << tasks;cout << endl;PAUSEcout << "==================================" << endl;cout << "========Frequent Item Sets========" << endl;cout << "==================================" << endl;cout << endl;tasks.make_fre_set_list();cout << "==================================" << endl;cout << "=====Strong Association Rules=====" << endl;cout << "==================================" << endl;cout << endl;tasks.make_str_assoc_list();STOPreturn 0;}