Apriori算法实现
jopen
8年前
Apriori算法原理：http://blog.csdn.net/kingzone_2008/article/details/8183768
import java.util.HashMap; import java.util.HashSet; import java.util.Iterator; import java.util.Map; import java.util.Set; import java.util.TreeMap; /** * <B>关联规则挖掘：Apriori算法</B> * * <P>按照Apriori算法的基本思想来实现 * * @author king * @since 2013/06/27 * */ public class Apriori { private Map<Integer, Set<String>> txDatabase; // 事务数据库 private Float minSup; // 最小支持度 private Float minConf; // 最小置信度 private Integer txDatabaseCount; // 事务数据库中的事务数 private Map<Integer, Set<Set<String>>> freqItemSet; // 频繁项集集合 private Map<Set<String>, Set<Set<String>>> assiciationRules; // 频繁关联规则集合 public Apriori( Map<Integer, Set<String>> txDatabase, Float minSup, Float minConf) { this.txDatabase = txDatabase; this.minSup = minSup; this.minConf = minConf; this.txDatabaseCount = this.txDatabase.size(); freqItemSet = new TreeMap<Integer, Set<Set<String>>>(); assiciationRules = new HashMap<Set<String>, Set<Set<String>>>(); } /** * 扫描事务数据库，计算频繁1-项集 * @return */ public Map<Set<String>, Float> getFreq1ItemSet() { Map<Set<String>, Float> freq1ItemSetMap = new HashMap<Set<String>, Float>(); Map<Set<String>, Integer> candFreq1ItemSet = this.getCandFreq1ItemSet(); Iterator<Map.Entry<Set<String>, Integer>> it = candFreq1ItemSet.entrySet().iterator(); while(it.hasNext()) { Map.Entry<Set<String>, Integer> entry = it.next(); // 计算支持度 Float supported = new Float(entry.getValue().toString())/new Float(txDatabaseCount); if(supported>=minSup) { freq1ItemSetMap.put(entry.getKey(), supported); } } return freq1ItemSetMap; } /** * 计算候选频繁1-项集 * @return */ public Map<Set<String>, Integer> getCandFreq1ItemSet() { Map<Set<String>, Integer> candFreq1ItemSetMap = new HashMap<Set<String>, Integer>(); Iterator<Map.Entry<Integer, Set<String>>> it = txDatabase.entrySet().iterator(); // 统计支持数，生成候选频繁1-项集 while(it.hasNext()) { Map.Entry<Integer, Set<String>> entry = it.next(); Set<String> itemSet = entry.getValue(); for(String item : itemSet) { Set<String> key = new HashSet<String>(); key.add(item.trim()); if(!candFreq1ItemSetMap.containsKey(key)) { Integer value = 1; candFreq1ItemSetMap.put(key, value); } else { Integer value = 1+candFreq1ItemSetMap.get(key); candFreq1ItemSetMap.put(key, value); } } } return candFreq1ItemSetMap; } /** * 根据频繁(k-1)-项集计算候选频繁k-项集 * * @param m 其中m=k-1 * @param freqMItemSet 频繁(k-1)-项集 * @return */ public Set<Set<String>> aprioriGen(int m, Set<Set<String>> freqMItemSet) { Set<Set<String>> candFreqKItemSet = new HashSet<Set<String>>(); Iterator<Set<String>> it = freqMItemSet.iterator(); Set<String> originalItemSet = null; while(it.hasNext()) { originalItemSet = it.next(); Iterator<Set<String>> itr = this.getIterator(originalItemSet, freqMItemSet); while(itr.hasNext()) { Set<String> identicalSet = new HashSet<String>(); // 两个项集相同元素的集合(集合的交运算) identicalSet.addAll(originalItemSet); Set<String> set = itr.next(); identicalSet.retainAll(set); // identicalSet中剩下的元素是identicalSet与set集合中公有的元素 if(identicalSet.size() == m-1) { // (k-1)-项集中k-2个相同 Set<String> differentSet = new HashSet<String>(); // 两个项集不同元素的集合(集合的差运算) differentSet.addAll(originalItemSet); differentSet.removeAll(set); // 因为有k-2个相同，则differentSet中一定剩下一个元素，即differentSet大小为1 differentSet.addAll(set); // 构造候选k-项集的一个元素(set大小为k-1,differentSet大小为k) if(!this.has_infrequent_subset(differentSet, freqMItemSet)) candFreqKItemSet.add(differentSet); // 加入候选k-项集集合 } } } return candFreqKItemSet; } /** * 使用先验知识，剪枝。若候选k项集中存在k-1项子集不是频繁k-1项集，则删除该候选k项集 * @param candKItemSet * @param freqMItemSet * @return */ private boolean has_infrequent_subset(Set<String> candKItemSet, Set<Set<String>> freqMItemSet) { Set<String> tempSet = new HashSet<String>(); tempSet.addAll(candKItemSet); Iterator<String> itItem = candKItemSet.iterator(); while(itItem.hasNext()) { String item = itItem.next(); tempSet.remove(item);// 该候选去掉一项后变为k-1项集 if(!freqMItemSet.contains(tempSet))// 判断k-1项集是否是频繁项集 return true; tempSet.add(item);// 恢复 } return false; } /** * 根据一个频繁k-项集的元素(集合)，获取到频繁k-项集的从该元素开始的迭代器实例 * @param itemSet * @param freqKItemSet 频繁k-项集 * @return */ private Iterator<Set<String>> getIterator(Set<String> itemSet, Set<Set<String>> freqKItemSet) { Iterator<Set<String>> it = freqKItemSet.iterator(); while(it.hasNext()) { if(itemSet.equals(it.next())) { break; } } return it; } /** * 根据频繁(k-1)-项集，调用aprioriGen方法，计算频繁k-项集 * * @param k * @param freqMItemSet 频繁(k-1)-项集 * @return */ public Map<Set<String>, Float> getFreqKItemSet(int k, Set<Set<String>> freqMItemSet) { Map<Set<String>, Integer> candFreqKItemSetMap = new HashMap<Set<String>, Integer>(); // 调用aprioriGen方法，得到候选频繁k-项集 Set<Set<String>> candFreqKItemSet = this.aprioriGen(k-1, freqMItemSet); // 扫描事务数据库 Iterator<Map.Entry<Integer, Set<String>>> it = txDatabase.entrySet().iterator(); // 统计支持数 while(it.hasNext()) { Map.Entry<Integer, Set<String>> entry = it.next(); Iterator<Set<String>> kit = candFreqKItemSet.iterator(); while(kit.hasNext()) { Set<String> kSet = kit.next(); Set<String> set = new HashSet<String>(); set.addAll(kSet); set.removeAll(entry.getValue()); // 候选频繁k-项集与事务数据库中元素做差运算 if(set.isEmpty()) { // 如果拷贝set为空，支持数加1 if(candFreqKItemSetMap.get(kSet) == null) { Integer value = 1; candFreqKItemSetMap.put(kSet, value); } else { Integer value = 1+candFreqKItemSetMap.get(kSet); candFreqKItemSetMap.put(kSet, value); } } } } // 计算支持度，生成频繁k-项集，并返回 return support(candFreqKItemSetMap); } /** * 根据候选频繁k-项集，得到频繁k-项集 * * @param candFreqKItemSetMap 候选k项集(包含支持计数) * @return freqKItemSetMap 频繁k项集及其支持度(比例) */ public Map<Set<String>, Float> support(Map<Set<String>, Integer> candFreqKItemSetMap) { Map<Set<String>, Float> freqKItemSetMap = new HashMap<Set<String>, Float>(); Iterator<Map.Entry<Set<String>, Integer>> it = candFreqKItemSetMap.entrySet().iterator(); while(it.hasNext()) { Map.Entry<Set<String>, Integer> entry = it.next(); // 计算支持度 Float supportRate = new Float(entry.getValue().toString())/new Float(txDatabaseCount); if(supportRate<minSup) { // 如果不满足最小支持度，删除 it.remove(); } else { freqKItemSetMap.put(entry.getKey(), supportRate); } } return freqKItemSetMap; } /** * 挖掘全部频繁项集 */ public void mineFreqItemSet() { // 计算频繁1-项集 Set<Set<String>> freqKItemSet = this.getFreq1ItemSet().keySet(); freqItemSet.put(1, freqKItemSet); // 计算频繁k-项集(k>1) int k = 2; while(true) { Map<Set<String>, Float> freqKItemSetMap = this.getFreqKItemSet(k, freqKItemSet); if(!freqKItemSetMap.isEmpty()) { this.freqItemSet.put(k, freqKItemSetMap.keySet()); freqKItemSet = freqKItemSetMap.keySet(); } else { break; } k++; } } /** * <P>挖掘频繁关联规则 * <P>首先挖掘出全部的频繁项集，在此基础上挖掘频繁关联规则 */ public void mineAssociationRules() { freqItemSet.remove(1); // 删除频繁1-项集 Iterator<Map.Entry<Integer, Set<Set<String>>>> it = freqItemSet.entrySet().iterator(); while(it.hasNext()) { Map.Entry<Integer, Set<Set<String>>> entry = it.next(); for(Set<String> itemSet : entry.getValue()) { // 对每个频繁项集进行关联规则的挖掘 mine(itemSet); } } } /** * 对从频繁项集集合freqItemSet中每迭代出一个频繁项集元素，执行一次关联规则的挖掘 * @param itemSet 频繁项集集合freqItemSet中的一个频繁项集元素 */ public void mine(Set<String> itemSet) { int n = itemSet.size()/2; // 根据集合的对称性，只需要得到一半的真子集 for(int i=1; i<=n; i++) { // 得到频繁项集元素itemSet的作为条件的真子集集合 Set<Set<String>> properSubset = ProperSubsetCombination.getProperSubset(i, itemSet); // 对条件的真子集集合中的每个条件项集，获取到对应的结论项集，从而进一步挖掘频繁关联规则 for(Set<String> conditionSet : properSubset) { Set<String> conclusionSet = new HashSet<String>(); conclusionSet.addAll(itemSet); conclusionSet.removeAll(conditionSet); // 删除条件中存在的频繁项 confide(conditionSet, conclusionSet); // 调用计算置信度的方法，并且挖掘出频繁关联规则 } } } /** * 对得到的一个条件项集和对应的结论项集，计算该关联规则的支持计数，从而根据置信度判断是否是频繁关联规则 * @param conditionSet 条件频繁项集 * @param conclusionSet 结论频繁项集 */ public void confide(Set<String> conditionSet, Set<String> conclusionSet) { // 扫描事务数据库 Iterator<Map.Entry<Integer, Set<String>>> it = txDatabase.entrySet().iterator(); // 统计关联规则支持计数 int conditionToConclusionCnt = 0; // 关联规则(条件项集推出结论项集)计数 int conclusionToConditionCnt = 0; // 关联规则(结论项集推出条件项集)计数 int supCnt = 0; // 关联规则支持计数 while(it.hasNext()) { Map.Entry<Integer, Set<String>> entry = it.next(); Set<String> txSet = entry.getValue(); Set<String> set1 = new HashSet<String>(); Set<String> set2 = new HashSet<String>(); set1.addAll(conditionSet); set1.removeAll(txSet); // 集合差运算：set-txSet if(set1.isEmpty()) { // 如果set为空，说明事务数据库中包含条件频繁项conditionSet // 计数 conditionToConclusionCnt++; } set2.addAll(conclusionSet); set2.removeAll(txSet); // 集合差运算：set-txSet if(set2.isEmpty()) { // 如果set为空，说明事务数据库中包含结论频繁项conclusionSet // 计数 conclusionToConditionCnt++; } if(set1.isEmpty() && set2.isEmpty()) { supCnt++; } } // 计算置信度 Float conditionToConclusionConf = new Float(supCnt)/new Float(conditionToConclusionCnt); if(conditionToConclusionConf>=minConf) { if(assiciationRules.get(conditionSet) == null) { // 如果不存在以该条件频繁项集为条件的关联规则 Set<Set<String>> conclusionSetSet = new HashSet<Set<String>>(); conclusionSetSet.add(conclusionSet); assiciationRules.put(conditionSet, conclusionSetSet); } else { assiciationRules.get(conditionSet).add(conclusionSet); } } Float conclusionToConditionConf = new Float(supCnt)/new Float(conclusionToConditionCnt); if(conclusionToConditionConf>=minConf) { if(assiciationRules.get(conclusionSet) == null) { // 如果不存在以该结论频繁项集为条件的关联规则 Set<Set<String>> conclusionSetSet = new HashSet<Set<String>>(); conclusionSetSet.add(conditionSet); assiciationRules.put(conclusionSet, conclusionSetSet); } else { assiciationRules.get(conclusionSet).add(conditionSet); } } } /** * 经过挖掘得到的频繁项集Map * * @return 挖掘得到的频繁项集集合 */ public Map<Integer, Set<Set<String>>> getFreqItemSet() { return freqItemSet; } /** * 获取挖掘到的全部的频繁关联规则的集合 * @return 频繁关联规则集合 */ public Map<Set<String>, Set<Set<String>>> getAssiciationRules() { return assiciationRules; } } 其中ProperSubsetCombination类，是用于生成真子集的辅助类：
import java.util.BitSet; import java.util.HashSet; import java.util.Set; /** * <B>求频繁项集元素(集合)的非空真子集集合</B> * <P>从一个集合（大小为n）中取出m(m属于2~n/2的闭区间)个元素的组合实现类，获取非空真子集的集合 * * @author king * @date 2013/06/27 * */ public class ProperSubsetCombination { private static String[] array; private static BitSet startBitSet; // 比特集合起始状态 private static BitSet endBitSet; // 比特集合终止状态，用来控制循环 private static Set<Set<String>> properSubset; // 真子集集合 /** * 计算得到一个集合的非空真子集集合 * * @param n 真子集的大小 * @param itemSet 一个频繁项集元素 * @return 非空真子集集合 */ public static Set<Set<String>> getProperSubset(int n, Set<String> itemSet) { String[] array = new String[itemSet.size()]; ProperSubsetCombination.array = itemSet.toArray(array); properSubset = new HashSet<Set<String>>(); startBitSet = new BitSet(); endBitSet = new BitSet(); // 初始化startBitSet，左侧占满1 for (int i=0; i<n; i++) { startBitSet.set(i, true); } // 初始化endBit，右侧占满1 for (int i=array.length-1; i>=array.length-n; i--) { endBitSet.set(i, true); } // 根据起始startBitSet，将一个组合加入到真子集集合中 get(startBitSet); while(!startBitSet.equals(endBitSet)) { int zeroCount = 0; // 统计遇到10后，左边0的个数 int oneCount = 0; // 统计遇到10后，左边1的个数 int pos = 0; // 记录当前遇到10的索引位置 // 遍历startBitSet来确定10出现的位置 for (int i=0; i<array.length; i++) { if (!startBitSet.get(i)) { zeroCount++; } if (startBitSet.get(i) && !startBitSet.get(i+1)) { pos = i; oneCount = i - zeroCount; // 将10变为01 startBitSet.set(i, false); startBitSet.set(i+1, true); break; } } // 将遇到10后，左侧的1全部移动到最左侧 int counter = Math.min(zeroCount, oneCount); int startIndex = 0; int endIndex = 0; if(pos>1 && counter>0) { pos--; endIndex = pos; for (int i=0; i<counter; i++) { startBitSet.set(startIndex, true); startBitSet.set(endIndex, false); startIndex = i+1; pos--; if(pos>0) { endIndex = pos; } } } get(startBitSet); } return properSubset; } /** * 根据一次移位操作得到的startBitSet，得到一个真子集 * @param bitSet */ private static void get(BitSet bitSet) { Set<String> set = new HashSet<String>(); for(int i=0; i<array.length; i++) { if(bitSet.get(i)) { set.add(array[i]); } } properSubset.add(set); } }
测试类如下：
import java.io.BufferedReader; import java.io.File; import java.io.FileNotFoundException; import java.io.FileReader; import java.io.IOException; import java.util.HashMap; import java.util.HashSet; import java.util.Map; import java.util.Set; import java.util.TreeSet; import junit.framework.TestCase; /** * <B>Apriori算法测试类</B> * * @author king * @date 2013/07/28 */ public class AprioriTest extends TestCase { private Apriori apriori; private Map<Integer, Set<String>> txDatabase; private Float minSup = new Float("0.50"); private Float minConf = new Float("0.70"); public static void main(String []args) throws Exception { AprioriTest at = new AprioriTest(); at.setUp(); long from = System.currentTimeMillis(); at.testGetFreqItemSet(); long to = System.currentTimeMillis(); System.out.println("耗时：" + (to-from)); } @Override protected void setUp() throws Exception { // create(); // 构造事务数据库 this.buildData(Integer.MAX_VALUE, "f_faqk_.dat"); apriori = new Apriori(txDatabase, minSup, minConf); } /** * 构造模拟事务数据库txDatabase */ public void create() { txDatabase = new HashMap<Integer, Set<String>>(); Set<String> set1 = new TreeSet<String>(); set1.add("A"); set1.add("B"); set1.add("C"); set1.add("E"); txDatabase.put(1, set1); Set<String> set2 = new TreeSet<String>(); set2.add("A"); set2.add("B"); set2.add("C"); txDatabase.put(2, set2); Set<String> set3 = new TreeSet<String>(); set3.add("C"); set3.add("D"); txDatabase.put(3, set3); Set<String> set4 = new TreeSet<String>(); set4.add("A"); set4.add("B"); set4.add("E"); txDatabase.put(4, set4); } /** * 构造数据集 * @param fileName 存储事务数据的文件名 * @param totalcount 获取的事务数 */ public void buildData(int totalCount, String...fileName) { txDatabase = new HashMap<Integer, Set<String>>(); if(fileName.length !=0){ File file = new File(fileName[0]); int count = 0; try { BufferedReader reader = new BufferedReader(new FileReader(file)); String line; while( (line = reader.readLine()) != null){ String []arr = line.split(" "); Set<String> set = new HashSet<String>(); for(String s : arr) set.add(s); count++; this.txDatabase.put(count, set); if(count >= totalCount) return; } } catch (FileNotFoundException e) { e.printStackTrace(); } catch (IOException e) { e.printStackTrace(); } }else{ } } /** * 测试挖掘频繁1-项集 */ public void testFreq1ItemSet() { System.out.println("挖掘频繁1-项集 : " + apriori.getFreq1ItemSet()); } /** * 测试aprioriGen方法，生成候选频繁项集 */ public void testAprioriGen() { System.out.println( "候选频繁2-项集 ： " + this.apriori.aprioriGen(1, this.apriori.getFreq1ItemSet().keySet()) ); } /** * 测试挖掘频繁2-项集 */ public void testGetFreq2ItemSet() { System.out.println( "挖掘频繁2-项集 ：" + this.apriori.getFreqKItemSet(2, this.apriori.getFreq1ItemSet().keySet()) ); } /** * 测试挖掘频繁3-项集 */ public void testGetFreq3ItemSet() { System.out.println( "挖掘频繁3-项集 ：" + this.apriori.getFreqKItemSet( 3, this.apriori.getFreqKItemSet(2, this.apriori.getFreq1ItemSet().keySet()).keySet() ) ); } /** * 测试挖掘全部频繁项集 */ public void testGetFreqItemSet() { this.apriori.mineFreqItemSet(); // 挖掘频繁项集 System.out.println("挖掘频繁项集 ：" + this.apriori.getFreqItemSet()); } /** * 测试挖掘全部频繁关联规则 */ public void testMineAssociationRules() { this.apriori.mineFreqItemSet(); // 挖掘频繁项集 this.apriori.mineAssociationRules(); System.out.println("挖掘频繁关联规则 ：" + this.apriori.getAssiciationRules()); } } 参考：http://hi.baidu.com/shirdrn/item/5b74a313d55256711009b5d8
在此基础上添加了has_infrequent_subset方法，此方法使用先验知识进行剪枝，是典型Apriori算法必备的。
来自： http://blog.csdn.net//kingzone_2008/article/details/17127567