简单的数据挖掘及excel表格处理（Java）

Simple Data Mining and Form Processing（Java）

该项目发布于Github，https://github.com/wupian/Simple-Data-Mining。

有以下几个小功能：

- 对excel表格进行修改、合并、计算、排序、查询

- 单维、多维关联规则

- 决策树

表格处理

使用语言：Java

使用软件：Eclipse

程序结构及流程图

① 窗口设计

由于内容不是特别的多，因此在窗口大小设定上设定的比较小。第一次接触java的窗体设计，其实也没有想象中那么难，主要是对于表格的处理方面卡顿了一会儿。引入的是jxl.jar包。



以上为该程序的窗体设计，非常的简洁。只涉及到Frame，MenuBar,Menu,MenuItem等。

②表格处理设计

因为也是第一次用这个jar包，对很多的函数不是特别明白，经过一番搜查才懵懵懂懂写了一些东西出来。首先是最基础的打开文件，我利用了FileNameExtensionFilter筛选文件名后缀



这也是jxl的一个缺点吧，不能处理2007版的excel（也可能是我信息不正确）。对于表格的所有操作都是建立在一个二维数组上的，如下图所示



③ 排序：

对于排序的功能，也不难，首先确认用户的选择（如下图所示），然后将该属性进行排序，如果选择的是升序并且其他跟随变动，则进行一次冒泡排序，一旦有一条信息“冒泡”了，该信息所对应的其他信息也跟着一起“冒泡”（具体代码讲解在第三部分）。我选择了最好懂但是代码冗余可能比较大的一种方式，也就是写了四个条件：

i. 升序&&跟随变动 ii.升序&&不跟随变动 iii.降序&&跟随变动 iv.降序&&不跟随变动

其中有部分的函数其实是可以合并的



④ 计算：

首先，由于老师给的数据已经是数字化的了，因此我没有先对数据进行一个分析，也就是说，那些属性是数字可以计算，哪些是字符串或者别的类型的不能够计算。这是一个较大的失误，对于程序的兼容性不好。



⑤ 查询：

对于查询数据，我最初的想法可能有点局限了（写报告的时候才发现……），实现的结果是，当查询主属性的时候，默认你想要的是看全表，当查询的为非主属性的时候，显示为两列，主属性与选择查询的属性。其实还可以添加几个筛选查询，如：查询某个属性中数据相同的数据等。



⑥ 合并：

对于合并功能，我首先的考虑就是合并什么。其次考虑合并的主次性。因此最后默认主属性为第一列，然后分主文件与副文件（主文件中副文件没有的数据不处理，副文件中主文件没有的主属性数据则不合并）。

窗体显示效果

主窗口

打开文件

显示表格

排序

排序结果

合并文件

计算

关联规则

程序结构及流程图

单维关联规则：

这是我涉及到的数据挖掘的第一个开端吧，经过一番学习以后也有一定的理解。



首先是找出所有的频繁项集，然后再由频繁项集产生强规则。

对于频繁项集，由于数据是不确定的，如果我想对它们进行像数组那样的操作，用数组是肯定不行的。因此我粗略的学了一点关于vector的知识，它有点类似于可变数组，如vector.add()，即可在vector尾部增加一个数据。



这是简单的测试数据，左侧为id，右侧为id列表。

对于一级频繁项集 vet1，流程图如下：



由上图可以看得出，我对每个频繁项集都设定了一个存放数据的vector和存放数据计数的vector，两个分开计算。

在一级频繁项集执行完毕后，结果应该如下：



对于二级频繁项集，处理也比较简单，相当于是从一级频繁项集中选二。



类似上图

三级频繁项集：



其余类似。

其中还有一个步骤，就是每当找到一个关联规则，要计算其相应的计数vet，如果不符合支持度的设定，则用方法remove（）将其删除。

找到所有的频繁项集以后，接下来就是找强规则。

我的想法是：建立一个vetnew，存放的是某个频繁项集某项的所有排序组合，然后再进行尝试联系。如下图



从第一步到第二步，我想到了一个个人认为比较巧妙的方式。以三级频繁项集为例：



其余类似。

最后一步就是计算置信度，插入表格，并显示出来。

多维关联规则：

首先是窗体设计，在参考了马克威分析软件以后，除了输入置信度与支持度，我还添加了一个源参数与目标参数。在经过单维关联规则后，个人认为多维关联规则在代码编写这一块会好很多。

以下是测试数据：



可以看得出，对于频繁项集中的名称，是有重复的，因此，我在命名上做了一些变动，以属性名加数据作为接下来的处理。如：头痛0，头痛1，肌肉痛0，肌肉痛1等。

在频繁项集的构建上，与单维关联规则类似，除了要注意名称的变化以外，其余基本一致，在此就不赘述了。

对于强规则的联系，首先与单维关联规则一样，将每个频繁项集中的数据拆分、搭配，然后将源数据与目标数据进行联系，若存在该规则，则计算其置信度，若小于置信度的设定，则删除。以此类推。

关联规则结果

单维关联规则界面





单维关联规则结果





多维关联规则界面



多维关联规则结果

决策树

决策树：

决策树的难度不是特别的小，除了计算信息增益以外，还涉及到图像技术，对于图像的自适应，对我来说难度还是比较大的。

整个流程比较简单，就是先计算熵，再计算信息增益，然后进行一个递归。

这是测试数据：



默认最后一列为目标属性。



流程大概如上图，就是计算每个属性的每个类别的出现数目，以及它在目标属性中分别出现的次数。即上图的all1和all2.然后计算各个熵，与目标属性的熵相减，最大的进行下一次划分，也就是递归。

如计算出gain（日志）=0.276、gain（是否）=0.033、gain（好友）=0.553，即好友密度的信息增益最大，继续划分好友密度（设为 F），如下图所示：



在这一次的实验中，我选择了ArrayList，它与Vector一样，都属于可变数组，经网上搜查好像ArrayList比Vector好很多（知识浅薄 具体好哪里也不知道……）

所需创建的ArrayList在上图也介绍过了。由于Arraylist的类型需要一样（其实可以不一样，即将类型设为Object，但是那样就没太大的意义了），因此在总的数据（Allarray）中，我分为了两部分，一部分为String类型，一部分为Integer类型。

在构建代码的过程中，花费了很多时间进行代码的布局，当确定需要哪些数组之后，也没有太大的难度了。剩下的就是套公式计算。

然后就是图形的构建。

首先我要了解怎么画，然后是画什么，然后是怎么与递归联系在一起。

在java 中，提供了画图的函数，graphics.drawLine（），graphics.drawString（）, graphics.drawRoundRect（）等，也不难懂。

打开某新建图片→设置背景颜色为白色→确定所要画的形状的位置（x,y）→画图

问题就在于这个位置的确定。我最终是选择将图片画死了。我的设计是每画一个属性（圆角矩形），就跟着X根线（X取决于接下来的数目），如：



然后下一个属性的(x,y)就在箭头的左侧-w/2……以此类推

确定如何画以后就是画什么，由于整个程序是递归的，也就是说，在我的程序中，它只能进行深度优先遍历，也就是说从左到右从上到下这个方式去画。存在几个问题，首先是我怎么判断是否已经结束，然后是该如何在图像上显示出来。

对于第一个问题，如果已经结束，准备开始新的递归时，可以判断它此时的数组，必定无法继续分下去，如果无法继续分下去，则输出此时的结果。如：



让属性在图像上显示理论也不难，如果要画只要知道它的上一个属性在哪，然后顺着它的线下来画上。

最后就是如何与递归联系起来。这个比较费脑，因为电脑递归的速度很快，有时候根本不懂它在递归什么，最后的结果怎么来。因此需要在草稿上先进行一番操作。

首先我将递归的过程全部写下来，如下图：



数字是执行顺序。因此可以通过其顺序画出大概的图像。

关于位置信息，可以通过其属于谁，然后画在其下，如F:s→（L:s，L:m），可知L:s与L:m处于同级状态，F:s属于其父节点。

显示结果

决策树窗体设计

决策树结果