Apriori算法介绍（Python实现）

36大数据 • 7年前扫码分享

我是创始人李岩：很抱歉！给自己产品做个广告，点击进来看看。

导读：

随着大数据概念的火热，啤酒与尿布的故事广为人知。我们如何发现买啤酒的人往往也会买尿布这一规律？数据挖掘中的用于挖掘频繁项集和关联规则的Apriori算法可以告诉我们。本文首先对Apriori算法进行简介，而后进一步介绍相关的基本概念，之后详细的介绍Apriori算法的具体策略和步骤，最后给出Python实现代码。

1.Apriori算法简介

Apriori算法是经典的挖掘频繁项集和关联规则的数据挖掘算法。A priori在拉丁语中指”来自以前”。当定义问题时，通常会使用先验知识或者假设，这被称作”一个先验”（a priori）。Apriori算法的名字正是基于这样的事实：算法使用频繁项集性质的先验性质，即频繁项集的所有非空子集也一定是频繁的。Apriori算法使用一种称为逐层搜索的迭代方法，其中k项集用于探索(k+1)项集。首先，通过扫描数据库，累计每个项的计数，并收集满足最小支持度的项，找出频繁1项集的集合。该集合记为L1。然后，使用L1找出频繁2项集的集合L2，使用L2找出L3，如此下去，直到不能再找到频繁k项集。每找出一个Lk需要一次数据库的完整扫描。Apriori算法使用频繁项集的先验性质来压缩搜索空间。

2. 基本概念

项与项集 ：设itemset={item1, item_2, …, item_m}是所有项的集合，其中，item_k(k=1,2,…,m)成为项。项的集合称为项集（itemset），包含k个项的项集称为k项集(k-itemset)。
事务与事务集 ：一个事务T是一个项集，它是itemset的一个子集，每个事务均与一个唯一标识符Tid相联系。不同的事务一起组成了事务集D，它构成了关联规则发现的事务数据库。
关联规则 ：关联规则是形如A=>B的蕴涵式，其中A、B均为itemset的子集且均不为空集，而A交B为空。
支持度(support) ：关联规则的支持度定义如下：

其中P(A∪B)表示事务包含集合A和B的并（即包含A和B中的每个项）的概率。注意与P(A or B)区别，后者表示事务包含A或B的概率。

置信度(confidence) ：关联规则的置信度定义如下：

项集的出现频度(support count) ：包含项集的事务数，简称为项集的频度、支持度计数或计数。
频繁项集(frequent itemset) ：如果项集I的相对支持度满足事先定义好的最小支持度阈值（即I的出现频度大于相应的最小出现频度（支持度计数）阈值），则I是频繁项集。
强关联规则 ：满足最小支持度和最小置信度的关联规则，即待挖掘的关联规则。

3. 实现步骤

一般而言，关联规则的挖掘是一个两步的过程：

找出所有的频繁项集
由频繁项集产生强关联规则

3.1挖掘频繁项集

3.1.1 相关定义

连接步骤：频繁(k-1)项集Lk-1的自身连接产生候选k项集Ck

Apriori算法假定项集中的项按照字典序排序。如果Lk-1中某两个的元素（项集）itemset1和itemset2的前(k-2)个项是相同的，则称itemset1和itemset2是可连接的。所以itemset1与itemset2连接产生的结果项集是{itemset1[1], itemset1[2], …, itemset1[k-1], itemset2[k-1]}。连接步骤包含在下文代码中的create_Ck函数中。

剪枝策略

由于存在先验性质： 任何非频繁的(k-1)项集都不是频繁k项集的子集 。因此，如果一个候选k项集Ck的(k-1)项子集不在Lk-1中，则该候选也不可能是频繁的，从而可以从Ck中删除，获得压缩后的Ck。下文代码中的is_apriori函数用于判断是否满足先验性质，create_Ck函数中包含剪枝步骤，即若不满足先验性质，剪枝。

删除策略

基于压缩后的Ck，扫描所有事务，对Ck中的每个项进行计数，然后删除不满足最小支持度的项，从而获得频繁k项集。删除策略包含在下文代码中的generate_Lk_by_Ck函数中。

3.1.2 步骤

每个项都是候选1项集的集合C1的成员。算法扫描所有的事务，获得每个项，生成C1（见下文代码中的create_C1函数）。然后对每个项进行计数。然后根据最小支持度从C1中删除不满足的项，从而获得频繁1项集L1。
对L1的自身连接生成的集合执行剪枝策略产生候选2项集的集合C2，然后，扫描所有事务，对C2中每个项进行计数。同样的，根据最小支持度从C2中删除不满足的项，从而获得频繁2项集L2。
对L2的自身连接生成的集合执行剪枝策略产生候选3项集的集合C3，然后，扫描所有事务，对C3每个项进行计数。同样的，根据最小支持度从C3中删除不满足的项，从而获得频繁3项集L3。
以此类推，对Lk-1的自身连接生成的集合执行剪枝策略产生候选k项集Ck，然后，扫描所有事务，对Ck中的每个项进行计数。然后根据最小支持度从Ck中删除不满足的项，从而获得频繁k项集。

3.2 由频繁项集产生关联规则

一旦找出了频繁项集，就可以直接由它们产生强关联规则。产生步骤如下：

对于每个频繁项集itemset，产生itemset的所有非空子集（这些非空子集一定是频繁项集）；
对于itemset的每个非空子集s,如果

则输出s=>(l-s)，其中min_conf是最小置信度阈值。

4. 样例以及Python实现代码

下图是《数据挖掘：概念与技术》（第三版）中挖掘频繁项集的样例图解。

Apriori算法介绍（Python实现）

本文基于该样例的数据编写Python代码实现Apriori算法。代码需要注意如下两点：

由于Apriori算法假定项集中的项是按字典序排序的，而集合本身是无序的，所以我们在必要时需要进行set和list的转换；
由于要使用字典（support_data）记录项集的支持度，需要用项集作为key，而可变集合无法作为字典的key，因此在合适时机应将项集转为固定集合frozenset。

				"""
				# Python 2.7
				# Filename: apriori.py
				# Author: llhthinker
				# Email: hangliu56[AT]gmail[DOT]com
				# Blog: http://www.cnblogs.com/llhthinker/p/6719779.html
				# Date: 2017-04-16
				"""
				def load_data_set():
				"""
				Load a sample data set (From Data Mining: Concepts and Techniques, 3th Edition)
				Returns:
				A data set: A list of transactions. Each transaction contains several items.
				"""
				data_set = [['l1', 'l2', 'l5'], ['l2', 'l4'], ['l2', 'l3'],
				['l1', 'l2', 'l4'], ['l1', 'l3'], ['l2', 'l3'],
				['l1', 'l3'], ['l1', 'l2', 'l3', 'l5'], ['l1', 'l2', 'l3']]
				return data_set
				def create_C1(data_set):
				"""
				Create frequent candidate 1-itemset C1 by scaning data set.
				Args:
				data_set: A list of transactions. Each transaction contains several items.
				Returns:
				C1: A set which contains all frequent candidate 1-itemsets
				"""
				C1 = set()
				for t in data_set:
				for item in t:
				item_set = frozenset([item])
				C1.add(item_set)
				return C1
				def is_apriori(Ck_item, Lksub1):
				"""
				Judge whether a frequent candidate k-itemset satisfy Apriori property.
				Args:
				Ck_item: a frequent candidate k-itemset in Ck which contains all frequent
				candidate k-itemsets.
				Lksub1: Lk-1, a set which contains all frequent candidate (k-1)-itemsets.
				Returns:
				True: satisfying Apriori property.
				False: Not satisfying Apriori property.
				"""
				for item in Ck_item:
				sub_Ck = Ck_item - frozenset([item])
				if sub_Ck not in Lksub1:
				return False
				return True
				def create_Ck(Lksub1, k):
				"""
				Create Ck, a set which contains all all frequent candidate k-itemsets
				by Lk-1's own connection operation.
				Args:
				Lksub1: Lk-1, a set which contains all frequent candidate (k-1)-itemsets.
				k: the item number of a frequent itemset.
				Return:
				Ck: a set which contains all all frequent candidate k-itemsets.
				"""
				Ck = set()
				len_Lksub1 = len(Lksub1)
				list_Lksub1 = list(Lksub1)
				for i in range(len_Lksub1):
				for j in range(1, len_Lksub1):
				l1 = list(list_Lksub1[i])
				l2 = list(list_Lksub1[j])
				l1.sort()
				l2.sort()
				if l1[0:k-2] == l2[0:k-2]:
				Ck_item = list_Lksub1[i] | list_Lksub1[j]
				# pruning
				if is_apriori(Ck_item, Lksub1):
				Ck.add(Ck_item)
				return Ck
				def generate_Lk_by_Ck(data_set, Ck, min_support, support_data):
				"""
				Generate Lk by executing a delete policy from Ck.
				Args:
				data_set: A list of transactions. Each transaction contains several items.
				Ck: A set which contains all all frequent candidate k-itemsets.
				min_support: The minimum support.
				support_data: A dictionary. The key is frequent itemset and the value is support.
				Returns:
				Lk: A set which contains all all frequent k-itemsets.
				"""
				Lk = set()
				item_count = {}
				for t in data_set:
				for item in Ck:
				if item.issubset(t):
				if item not in item_count:
				item_count[item] = 1
				else:
				item_count[item] += 1
				t_num = float(len(data_set))
				for item in item_count:
				if (item_count[item] / t_num) >= min_support:
				Lk.add(item)
				support_data[item] = item_count[item] / t_num
				return Lk
				def generate_L(data_set, k, min_support):
				"""
				Generate all frequent itemsets.
				Args:
				data_set: A list of transactions. Each transaction contains several items.
				k: Maximum number of items for all frequent itemsets.
				min_support: The minimum support.
				Returns:
				L: The list of Lk.
				support_data: A dictionary. The key is frequent itemset and the value is support.
				"""
				support_data = {}
				C1 = create_C1(data_set)
				L1 = generate_Lk_by_Ck(data_set, C1, min_support, support_data)
				Lksub1 = L1.copy()
				L = []
				L.append(Lksub1)
				for i in range(2, k+1):
				Ci = create_Ck(Lksub1, i)
				Li = generate_Lk_by_Ck(data_set, Ci, min_support, support_data)
				Lksub1 = Li.copy()
				L.append(Lksub1)
				return L, support_data
				def generate_big_rules(L, support_data, min_conf):
				"""
				Generate big rules from frequent itemsets.
				Args:
				L: The list of Lk.
				support_data: A dictionary. The key is frequent itemset and the value is support.
				min_conf: Minimal confidence.
				Returns:
				big_rule_list: A list which contains all big rules. Each big rule is represented
				as a 3-tuple.
				"""
				big_rule_list = []
				sub_set_list = []
				for i in range(0, len(L)):
				for freq_set in L[i]:
				for sub_set in sub_set_list:
				if sub_set.issubset(freq_set):
				conf = support_data[freq_set] / support_data[freq_set - sub_set]
				big_rule = (freq_set - sub_set, sub_set, conf)
				if conf >= min_conf and big_rule not in big_rule_list:
				# print freq_set-sub_set, " => ", sub_set, "conf: ", conf
				big_rule_list.append(big_rule)
				sub_set_list.append(freq_set)
				return big_rule_list
				if __name__ == "__main__":
				"""
				Test
				"""
				data_set = load_data_set()
				L, support_data = generate_L(data_set, k=3, min_support=0.2)
				big_rules_list = generate_big_rules(L, support_data, min_conf=0.7)
				for Lk in L:
				print "="*50
				print "frequent " + str(len(list(Lk)[0])) + "-itemsets\t\tsupport"
				print "="*50
				for freq_set in Lk:
				print freq_set, support_data[freq_set]
				print
				print "Big Rules"
				for item in big_rules_list:
				print item[0], "=>", item[1], "conf: ", item[2]

代码运行结果截图如下：

Apriori算法介绍（Python实现）

via：llhthinker

End.

转载请注明来自36大数据（36dsj.com)： 36大数据 » Apriori算法介绍（Python实现）