AprioriDemo

Python,两款Apriori算法实践与比较，基于今日头条数据的练习题

Apriori算法是通过限制候选产生发现频繁项集。总的来说，Apriori算法其实效率并不高，大规模数据计算的时候，需要考虑性能问题。 code + data可见：mattzheng/AprioriDemo

盗图盗图：

20200912更新

更新apriori_4.py

新增一些过长时间执行的注释；

新增while(currentLSet != set([])) and k<= tuples :之前的code没有严格按照tuples约束

runApriori(self,data_iter, minSupport, minConfidence,minLift = 0,tuples =2,count = 100000)中的count,如果内容太多break的时候会卡顿

20190705更新

更新了apriori3.py

对数据运行时长可以通过runApriori函数中的count来控制;

支持不等长list的输入,比较适合任意内容的输入与可定制化

20180627更新

新更新了apriori2.py,之前几个库都是只有支持度以及置信度，没有提升度,笔者在第一套关联规则算法上，略微修改了code加了提升度的计算。

目前可以输出三个字段的指标。

20180628更新

发现apriori2.py已经apriori.py 存在一个问题：元组问题，譬如存在：['单词1','单词2','单词3']在一个组中，然后['单词1']与['单词2']有4套以上记录，而且不同记录之间的支持度/置信度不一致。

那么，本次更新在'apriori2.py'中的主函数'runApriori'更新了一个参数：tuples,这个参数就是控制元组数，tuples=2代表只有2元组；tuples=3代表存在2元组+三元组，一次类推。

同时在'transferDataFrame'输出的时候，也会多出：'item'信息以及'item_len'，item_len代表其元组数量。

20180725更新

apriori会经常遇到超大集合，一般最耗时的部分在returnItemsWithMinSupport生成关联对环节，有可能一循环就是10W+，导致内存卡爆以及时间不好估计。 笔者这边目前的两个策略是：

• 调整minSupport，先从大的往下调整，0.8->0.2；
• 修改runApriori中的：

k = 2
while(k < 5):
    largeSet[k-1] = currentLSet
    currentLSet = joinSet(currentLSet, k)
    currentCSet = returnItemsWithMinSupport(currentLSet,
                                            transactionList,
                                            minSupport,
                                            freqSet)
    currentLSet = currentCSet
    k = k + 1
    print('currentLSet len is %s'%len(currentLSet))

通过调整K观察生成关联对，笔者在尝试的时候，K=5，就会 6W+的关联对，基本控制在K=2/3/4即可。

在R语言里面有非常好的package，可见我之前的博客： R语言实现关联规则与推荐算法(学习笔记) 该packages能够实现以下一些可视化：

但是好像Python里面没有这样封装比较好的库...搜刮了一下，发现很多人写了，但是没有可视化模块，不过先拿着用呗。 笔者参考这两位大神的作品：

• 用Pandas实现高效的Apriori算法
• asaini/Apriori

当然也会结合今日头条数据来做，之前做过一个练习，可见我之前博客： 练习题︱基于今日头条开源数据的词共现、新热词发现、短语发现

一、Apriori关联算法一：asaini/Apriori

因为该大神写的时候用得py2，我现在习惯py3；同时对一些细节进行一些调整。主要以介绍案例为主。 整体来看，效率还是很不错的，要比第二款效率高。

1.1 主函数介绍

runApriori(inFile, minSupport, minConfidence)

输入的内容有三样：

• inFile：数据集输入，迭代器
• minSupport：最小支持度阈值，作者推荐：0.1-0.2之间
• minConfidence：最小置信度阈值，作者推荐：0.5-0.7之间

输出内容两样：

• items ，支持度表，形式为：(tuple, support)，一个词的支持度、一对词的支持度【无指向】
• rules ，置信度表，形式为((pretuple, posttuple), confidence)，（起点词，终点词），置信度【有指向】

1.2 改编两函数：dataFromFile、transferDataFrame

为了更便于使用，同时笔者改编了一个函数 dataFromFile + 新写了一个函数 transferDataFrame。

dataFromFile(fname,extra = False)

作者函数中只能从外部读入，如果笔者要对数据集做点操作，就可以使用extra = True,当然只适用dataframe，可见下面的今日头条数据例子。

transferDataFrame(items, rules,removal = True)

items、rules计算出来之后，作者只是print出来，并没有形成正规的格式输出，这里写了一个变成dataframe的格式。可见下面例子的格式。 同时，这边的removal =True，是因为会出现：‘A->B’，‘B->A’的情况，这边True就是只保留一个。

1.3 作者提供的数据实践

作者的数据为，而且可以支持不对齐、不等长：

inFile = dataFromFile('INTEGRATED-DATASET.csv',extra = False)
minSupport = 0.15
minConfidence = 0.6
items, rules = runApriori(inFile, minSupport, minConfidence)

# ------------ print函数 ------------
printResults(items, rules)

# ------------ dataframe------------ 
items_data,rules_data = transferDataFrame(items, rules)

这里的支持度、置信度都还挺高的，得出的结果：

items_data的支持度的表格，其中Len，代表词表中的词个数。

rules_data 的置信度表格，指向为word_x->word_y

1.4 今日头条二元组词条

今日头条的数据处理，主要参考上一篇练习题。然后把二元组的内容，截取前800个，放在此处。

其中第一列为共现频数，其他为共现词，在这里面不用第一列共现频数。

data = pd.read_csv('CoOccurrence_data_800.csv',header = None)
inFile = dataFromFile(data[[1,2]],extra = True)
data_iter = dataFromFile(data[[1,2]],extra = True)
#list(inFile)
minSupport = 0.0
minConfidence = 0.0

items, rules = runApriori(inFile, minSupport, minConfidence)
print('--------items number is: %s , rules number is : %s--------'%(len(items),len(rules)))

# ------------ print函数 ------------
printResults(items, rules)

# ------------ dataframe------------ 
items_data,rules_data = transferDataFrame(items, rules)

此时，因为词语与词语之间的关系很稀疏，支持度与置信度都不会高的，所以练习题中要把两个比例都设置为0比较好。

items_data的支持度的表格，其中Len，代表词表中的词个数。

rules_data 的置信度表格，指向为word_x->word_y

.

二、Apriori关联算法二：Pandas实现高效的Apriori算法

用Pandas写的，效率在生成频繁集的时候会爆炸，所以合理选择支持度很重要。

大神写的很服从中文环境，所以不用改啥，给赞！

2.1 官方案例

所使用的数据比较规则：

 # ------------ 官方 ------------
 d = pd.read_csv('apriori.txt', header=None, dtype = object)
 d = ToD(d)
 support = 0.06 #最小支持度
 confidence = 0.75 #最小置信度
 output = find_rule(d, support, confidence)
 output.to_excel('rules.xls')

大神已经整理好结果，可见：

2.2 今日头条数据

今日头条的数据处理，主要参考上一篇练习题。然后把二元组的内容，截取前800个，放在此处。

其中第一列为共现频数，其他为共现词，在这里面不用第一列共现频数。

# ------------自己 ------------
data = pd.read_csv('CoOccurrence_data_800.csv',header = None)
support = 0.002 #最小支持度
confidence = 0.0 #最小置信度
d = ToD(data[[1,2]])
output = find_rule(d, support, confidence)

因为词条之间非常稀疏，支持度与置信度需要设置非常小，如果support设置为0的话，又会超级慢，笔者实验的数据，支持度比较合适在0.002。 最终输出的结果如下：