關聯規則挖掘可以發現大量數據中項集之間有趣的關聯或相關聯繫。一個典型的關聯規則挖掘例子是購物籃分析,即通過發現顧客放入其購物籃中的不同商品之間的聯繫,分析顧客的購物習慣,從而可以幫助零售商指定營銷策略,引導銷售等。國外有"啤酒與尿布"的故事,國內有泡麪和火腿的故事。本文以Apriori算法爲例介紹關聯規則挖掘並以java實現。
什麼是關聯規則:
對於記錄的集合D和記錄A,記錄B,A,B屬於D: A--->B [support(A->B)=p(AUB) ,confidence(A->B)=p(B|A) ]
關聯規則的表示形式:
泡麪 ------>火腿[support=0.2,confidence=0.8]
規則的支持度和置信度是兩個規則興趣度度量,它們分別反映發現規則的有用性和確定性。上式表示同時購買泡麪和火腿的記錄佔全部記錄的2%(實際應該沒這麼多的,不然天天吃泡麪),置信度0.8表示在購買泡麪的記錄中,有80%的人同時購買火腿(反正我就是屬於80%的。
如果挖掘的關聯規則滿足最小支持閾值和最小置信度閾值,則稱關聯規則是有趣的。
重要性質:頻繁項集的所有非空子集都必須是頻繁的。(一個集合如果不能通過測試,則它的所有超集也不能通過測試)
Apriori算法思想:逐層搜索的迭代方法,首先尋找1-項頻繁集的集合,集合記做L1, L1用於尋找兩項頻繁集合L2,L2用於尋找L3,如此下去,直到不能找K項頻繁集合。
1連接步;爲找L(k) ,通過將L(k-1)與自身連接產生候選K項集的集合。
2減枝步;根據項的支持度計數去掉非頻繁的候選集合,確定頻繁集反覆迭代直到不能產生滿足最小支持度的集合爲止。
Apriori重要性質:頻繁項集的所有非空子集都必須是頻繁的在減枝中的應用就在於,對於候選集只要它不是頻繁的,就可以刪除掉,這樣大大減少數據量。下面直接上算法流程圖:
下面舉例說明:
下面直接貼代碼:部分地方寫的有點冗餘,程序有點長的主要原因是向控制檯輸出挖掘的過程,這樣便於理解算法的挖掘過程
但是算法思路是清晰的,基本上一個while就能搞定。
package cluster;
import java.io.BufferedReader;
import java.io.File;
import java.io.FileInputStream;
import java.io.InputStreamReader;
import java.util.ArrayList;
import java.util.HashSet;
import java.util.Iterator;
import java.util.List;
/**
* Apriori算法實現 最大模式挖掘,涉及到支持度,但沒有置信度計算
* @author push_pop
*
*/
public class AprioriMyself {
private static final double MIN_SUPPROT = 0.2;//最小支持度
private static boolean endTag = false;//循環狀態
static List<List<String>> record = new ArrayList<List<String>>();//數據集
public static void main(String args[]){
//*************讀取數據集**************
record = getRecord();
//控制檯輸出記錄
System.out.println("以矩陣形式讀取數據集record");
for(int i=0;i<record.size();i++){
List<String> list= new ArrayList<String>(record.get(i));
for(int j=0;j<list.size();j++){
System.out.print(list.get(j)+" ");
}
System.out.println();
}
//************獲取候選1項集**************
List<List<String>> CandidateItemset = findFirstCandidate();
//控制檯輸出1項候選集
System.out.println("第一次掃描後的1級 備選集CandidateItemset");
for(int i=0;i<CandidateItemset.size();i++){
List<String> list = new ArrayList<String>(CandidateItemset.get(i));
for(int j=0;j<list.size();j++){
System.out.print(list.get(j)+" ");
}
System.out.println();
}
//************獲取頻繁1項集***************
List<List<String>> FrequentItemset = getSupprotedItemset(CandidateItemset);
//控制檯輸出1項頻繁集
System.out.println("第一次掃描後的1級 頻繁集FrequentItemset");
for(int i=0;i<FrequentItemset.size();i++){
List<String> list = new ArrayList<String>(FrequentItemset.get(i));
for(int j=0;j<list.size();j++){
System.out.print(list.get(j)+" ");
}
System.out.println();
}
//***************迭代過程**************
while(endTag!=true){
//**********連接操作****由k-1項頻繁集 獲取 候選k項集**************
List<List<String>> nextCandidateItemset = getNextCandidate(FrequentItemset);
System.out.println("掃描後備選集");
for(int i=0;i<nextCandidateItemset.size();i++){
List<String> list = new ArrayList<String>(nextCandidateItemset.get(i));
for(int j=0;j<list.size();j++){
System.out.print(list.get(j)+" ");
}
System.out.println();
}
//**************減枝操作***由候選k項集 獲取 頻繁k項集****************
List<List<String>> nextFrequentItemset = getSupprotedItemset(nextCandidateItemset);
System.out.println("掃描後頻繁集");
for(int i=0;i<nextFrequentItemset.size();i++){
List<String> list = new ArrayList<String>(nextFrequentItemset.get(i));
for(int j=0;j<list.size();j++){
System.out.print(list.get(j)+" ");
}
System.out.println();
}
//*********如果循環結束,輸出最大模式**************
if(endTag == true){
System.out.println("Apriori算法--->頻繁集");
for(int i=0;i<FrequentItemset.size();i++){
List<String> list = new ArrayList<String>(FrequentItemset.get(i));
for(int j=0;j<list.size();j++){
System.out.print(list.get(j)+" ");
}
System.out.println();
}
}
//****************下一次循環初值********************
CandidateItemset = nextCandidateItemset;
FrequentItemset = nextFrequentItemset;
}
}
/**
* 讀取txt數據
* @return
*/
public static List<List<String>> getRecord() {
List<List<String>> record = new ArrayList<List<String>>();
try {
String encoding = "GBK"; // 字符編碼(可解決中文亂碼問題 )
File file = new File("simple.txt");
if (file.isFile() && file.exists()) {
InputStreamReader read = new InputStreamReader(
new FileInputStream(file), encoding);
BufferedReader bufferedReader = new BufferedReader(read);
String lineTXT = null;
while ((lineTXT = bufferedReader.readLine()) != null) {//讀一行文件
String[] lineString = lineTXT.split(" ");
List<String> lineList = new ArrayList<String>();
for (int i = 0; i < lineString.length; i++) {//處理矩陣中的T、F、YES、NO
if (lineString[i].endsWith("T")|| lineString[i].endsWith("YES"))
lineList.add(record.get(0).get(i));
else if (lineString[i].endsWith("F")|| lineString[i].endsWith("NO"))
;// F,NO記錄不保存
else
lineList.add(lineString[i]);
}
record.add(lineList);
}
read.close();
} else {
System.out.println("找不到指定的文件!");
}
} catch (Exception e) {
System.out.println("讀取文件內容操作出錯");
e.printStackTrace();
}
return record;
}
/**
* 有當前頻繁項集自連接求下一次候選集
* @param FrequentItemset
* @return
*/
private static List<List<String>> getNextCandidate(List<List<String>> FrequentItemset) {
List<List<String>> nextCandidateItemset = new ArrayList<List<String>>();
for (int i=0; i<FrequentItemset.size(); i++){
HashSet<String> hsSet = new HashSet<String>();
HashSet<String> hsSettemp = new HashSet<String>();
for (int k=0; k< FrequentItemset.get(i).size(); k++)//獲得頻繁集第i行
hsSet.add(FrequentItemset.get(i).get(k));
int hsLength_before = hsSet.size();//添加前長度
hsSettemp=(HashSet<String>) hsSet.clone();
for(int h=i+1; h<FrequentItemset.size(); h++){//頻繁集第i行與第j行(j>i)連接 每次添加且添加一個元素組成 新的頻繁項集的某一行,
hsSet=(HashSet<String>) hsSettemp.clone();//!!!做連接的hasSet保持不變
for(int j=0; j< FrequentItemset.get(h).size();j++)
hsSet.add(FrequentItemset.get(h).get(j));
int hsLength_after = hsSet.size();
if(hsLength_before+1 == hsLength_after && isSubsetOf(hsSet,record)==1 && isnotHave(hsSet,nextCandidateItemset)){
//如果不相等,表示添加了1個新的元素,再判斷其是否爲record某一行的子集 若是則其爲 候選集中的一項
Iterator<String> itr = hsSet.iterator();
List<String> tempList = new ArrayList<String>();
while(itr.hasNext()){
String Item = (String) itr.next();
tempList.add(Item);
}
nextCandidateItemset.add(tempList);
}
}
}
return nextCandidateItemset;
}
/**
* 判斷新添加元素形成的候選集是否在 新的候選集中
* @param hsSet
* @param nextCandidateItemset
* @return
*/
private static boolean isnotHave(HashSet<String> hsSet,
List<List<String>> nextCandidateItemset) {
// TODO Auto-generated method stub
List<String> tempList = new ArrayList<String>();
Iterator<String> itr = hsSet.iterator();
while(itr.hasNext()){
String Item = (String) itr.next();
tempList.add(Item);
}
for(int i=0; i<nextCandidateItemset.size();i++)
if(tempList.equals(nextCandidateItemset.get(i)))
return false;
return true;
}
/**
* 判斷hsSet是不是record2中的某一記錄子集
* @param hsSet
* @param record2
* @return
*/
private static int isSubsetOf(HashSet<String> hsSet,
List<List<String>> record2) {
//hsSet轉換成List
List<String> tempList = new ArrayList<String>();
Iterator<String> itr = hsSet.iterator();
while(itr.hasNext()){
String Item = (String) itr.next();
tempList.add(Item);
}
for(int i=1;i<record.size();i++){
List<String> tempListRecord = new ArrayList<String>();
for(int j=1;j<record.get(i).size();j++)
tempListRecord.add(record.get(i).get(j));
if(tempListRecord.containsAll(tempList))
return 1;
}
return 0;
}
/**
* 由k項候選集剪枝得到k項頻繁集
* @param CandidateItemset
* @return
*/
private static List<List<String>> getSupprotedItemset(List<List<String>> CandidateItemset) {
// TODO Auto-generated method stub
boolean end = true;
List<List<String>> supportedItemset = new ArrayList<List<String>>();
int k = 0;
for (int i = 0; i < CandidateItemset.size(); i++){
int count = countFrequent(CandidateItemset.get(i));//統計記錄數
if (count >= MIN_SUPPROT * (record.size()-1)){
supportedItemset.add(CandidateItemset.get(i));
end = false;
}
}
endTag = end;//存在頻繁項集則不會結束
if(endTag==true)
System.out.println("無滿足支持度項集,結束連接");
return supportedItemset;
}
/**
* 統計record中出現list集合的個數
* @param list
* @return
*/
private static int countFrequent(List<String> list) {
// TODO Auto-generated method stub
int count = 0;
for(int i = 1; i<record.size(); i++) {
boolean notHaveThisList = false;
for (int k=0; k < list.size(); k++){//判斷record.get(i)是否包含list
boolean thisRecordHave = false;
for(int j=1; j<record.get(i).size(); j++){
if(list.get(k).equals(record.get(i).get(j)))//list。get(k)在record。get(i)中能找到
thisRecordHave = true;
}
if(!thisRecordHave){//只要有一個list元素找不到,則退出其餘元素比較,進行下一個record。get(i)比較
notHaveThisList = true;
break;
}
}
if(notHaveThisList == false)
count++;
}
return count;
}
/**
* 獲得一項候選集
* @return
*/
private static List<List<String>> findFirstCandidate() {
// TODO Auto-generated method stub
List<List<String>> tableList = new ArrayList<List<String>>();
HashSet<String> hs = new HashSet<String>();
for (int i = 1; i<record.size(); i++){ //第一行爲商品信息
for(int j=1;j<record.get(i).size();j++){
hs.add(record.get(i).get(j));
}
}
Iterator<String> itr = hs.iterator();
while(itr.hasNext()){
List<String> tempList = new ArrayList<String>();
String Item = (String) itr.next();
tempList.add(Item);
tableList.add(tempList);
}
return tableList;
}
}
Apriori算法的缺陷也是很明顯的:
1 .若數據量較大,將大量的候選集。N個頻繁1項集可能產生(N-1)*N/2個候選2項集
2 數據庫需要多邊掃描,頻繁集每自連接一次,就要重新掃面一次數據。
關於其改進將在下一篇博客寫出--不產生候選集的關聯規則挖掘算法FPTree