机器学习实战精读--------FP-growth算法

从数据集获取有趣信息的方法：常用的两种分别是频繁项集和关联规则。
FP-growth：虽然可以高效的发现频繁项集，但是不能用于发现关联规则。
FP-growth算法只需要对数据库进行两次扫描，速度要比Apriori算法块。
FP-growth发现频繁项集的基本过程：
① 构建FP树
第一遍 对所有元素项的出现次数进行技术，用来统计出现的频率。
第二遍 只考虑哪些频繁元素
② 从FP树种挖掘频繁项集。
从FP树种抽取频繁项集的三个基本步骤：
① 从FP树种获得条件模式基
② 利用条件模式基，构建一个条件FP树
③ 迭代重复步骤（1）步骤（2），知道树包含一个元素项为止。
条件模式基：是以查找元素项为结尾的路径集合。

#coding:utf-8

#FP数的类定义
class treeNode:
def __init__(self, nameValue, numOccur, parentNode):
self.name = nameValue   #存放节点名字的变量
self.count = numOccur   #计数值
self.nodeLink = None   #用于链接相似的元素项
self.parent = parentNode      #父变量parent来指向挡墙节点的父节点
self.children = {}  #空字典用来存放节点的子节点

#对count变量增加给定值
def inc(self, numOccur):
self.count += numOccur
#用于将数以文本形式展示,非必要,但是便于调试
def disp(self, ind=1):
print '  '*ind, self.name, ' ', self.count
for child in self.children.values():
child.disp(ind+1)
#构建FP树
def createTree(dataSet, minSup=1):
#使用数据集以及最小支持度作为参赛来构建FP树
headerTable = {}  #创建空的头指针表
#遍历数据集两次
for trans in dataSet:#first pass counts frequency of occurance
for item in trans:
headerTable[item] = headerTable.get(item, 0) + dataSet[trans]
for k in headerTable.keys():  #删除出现次数少于minsup的项
if headerTable[k] < minSup:
del(headerTable[k])
freqItemSet = set(headerTable.keys())
if len(freqItemSet) == 0: return None, None  #如果所有项都不频繁，就不进行下一步了
for k in headerTable:
headerTable[k] = [headerTable[k], None] #reformat headerTable to use Node link
retTree = treeNode('Null Set', 1, None) #create tree
for tranSet, count in dataSet.items():  #go through dataset 2nd time
localD = {}
for item in tranSet:  #put transaction items in order
if item in freqItemSet:
localD[item] = headerTable[item][0]
if len(localD) > 0:
orderedItems = [v[0] for v in sorted(localD.items(), key=lambda p: p[1], reverse=True)]
updateTree(orderedItems, retTree, headerTable, count)#populate tree with ordered freq itemset
return retTree, headerTable #return tree and header table

def updateTree(items, inTree, headerTable, count):
if items[0] in inTree.children:#测试事务中的第一个元素是否作为子节点存在，如果存在，更新该元素项的计数
inTree.children[items[0]].inc(count)
else:   #如果不存在，则创建一个新的treeNode，并将其作为一个子节点添加到树中
inTree.children[items[0]] = treeNode(items[0], count, inTree)
if headerTable[items[0]][1] == None: #update header table
headerTable[items[0]][1] = inTree.children[items[0]]
else:
updateHeader(headerTable[items[0]][1], inTree.children[items[0]]) #更新头指针表
if len(items) > 1:#不断迭代调用自身，每次调用时会去掉列表中的第一个元素
updateTree(items[1::], inTree.children[items[0]], headerTable, count)

def updateHeader(nodeToTest, targetNode):   #它确保节点链接指向树中该元素项的每一个实例
while (nodeToTest.nodeLink != None):    #Do not use recursion to traverse a linked list!
nodeToTest = nodeToTest.nodeLink
nodeToTest.nodeLink = targetNode

def ascendTree(leafNode, prefixPath): #ascends from leaf node to root
if leafNode.parent != None:
prefixPath.append(leafNode.name)
ascendTree(leafNode.parent, prefixPath)

def findPrefixPath(basePat, treeNode): #treeNode comes from header table
condPats = {}
while treeNode != None:
prefixPath = []
ascendTree(treeNode, prefixPath)
if len(prefixPath) > 1:
condPats[frozenset(prefixPath[1:])] = treeNode.count
treeNode = treeNode.nodeLink
return condPats

#递归查找频繁项集
def mineTree(inTree, headerTable, minSup, preFix, freqItemList):
bigL = [v[0] for v in sorted(headerTable.items(), key=lambda p: p[1])]# 对头指针表中的元素项按照其出现频率进行排序
for basePat in bigL:  #start from bottom of header table
newFreqSet = preFix.copy()
newFreqSet.add(basePat)
freqItemList.append(newFreqSet)
condPattBases = findPrefixPath(basePat, headerTable[basePat][1])
myCondTree, myHead = createTree(condPattBases, minSup)
if myHead != None: #如果树中有元素项，递归调用mineTree()函数
mineTree(myCondTree, myHead, minSup, newFreqSet, freqItemList)

def loadSimpDat():
simpDat = [['r', 'z', 'h', 'j', 'p'],
['z', 'y', 'x', 'w', 'v', 'u', 't', 's'],
['z'],
['r', 'x', 'n', 'o', 's'],
['y', 'r', 'x', 'z', 'q', 't', 'p'],
['y', 'z', 'x', 'e', 'q', 's', 't', 'm']]
return simpDat

def createInitSet(dataSet):
retDict = {}
for trans in dataSet:
retDict[frozenset(trans)] = 1
return retDict

import twitter
from time import sleep
import re

def textParse(bigString):
urlsRemoved = re.sub('(http:[/][/]|www.)([a-z]|[A-Z]|[0-9]|[/.]|[~])*', '', bigString)
#re.sub使用给定的替换内容将匹配模式的子字符串
listOfTokens = re.split(r'\W*', urlsRemoved) #通过正则表达式将字符串分离
return [tok.lower() for tok in listOfTokens if len(tok) > 2]  #列表推导式生成新列表

#处理认证然后创建一个空列表
def getLotsOfTweets(searchStr):
CONSUMER_KEY = 'get when you create an app'
CONSUMER_SECRET = 'get when you create an app'
ACCESS_TOKEN_KEY = 'get from Oauth,apecific to a user'
ACCESS_TOKEN_SECRET = 'get from Oauth,apecific to a user'
api = twitter.Api(consumer_key=CONSUMER_KEY, consumer_secret=CONSUMER_SECRET,
access_token_key=ACCESS_TOKEN_KEY,
access_token_secret=ACCESS_TOKEN_SECRET)
#you can get 1500 results 15 pages * 100 per page
resultsPages = []
for i in range(1,15):
print "fetching page %d" % i
searchResults = api.GetSearch(searchStr, per_page=100, page=i)
resultsPages.append(searchResults)
sleep(6)
return resultsPages

#构建FP树并对其进行挖掘，最后返回所有频繁项集组成的列表
def mineTweets(tweetArr, minSup=5):
parsedList = []
for i in range(14):
for j in range(100):
parsedList.append(textParse(tweetArr[i][j].text))
initSet = createInitSet(parsedList)
myFPtree, myHeaderTab = createTree(initSet, minSup)
myFreqList = []
mineTree(myFPtree, myHeaderTab, minSup, set([]), myFreqList)
return myFreqList