关联分析算法之FP-Growth

在Apriori算法的学习中，我们了解到Apriori算法需要不断生成候选项目队列和不断得扫描整个数据库进行比对，I/O是很大的瓶颈。为了解决这个问题，FP-Growth利用了巧妙的数据结构，无论多少数据，只需要扫描两次数据集，大大降低了Aproir挖掘算法的代价。FP-Growth算法主要包含有两个步骤：

• 建立一个精简的数据结构：FP-tree(frequent-pattern tree, 频繁模式树)
• 从FP-tree中提取频繁项集

FP-Growth算法原理

为了减少I/O次数，FP-Growth算法引入了一些数据结构来临时存储数据。这个数据结构包括三部分，如下图所示：

• 第一部分是一个项头表。里面记录了所有的1项频繁集出现的次数，按照次数降序排列。比如上图中B在所有10组数据中出现了8次，因此排在第一位，这部分好理解。
• 第二部分是FP-Tree，它将我们的原始数据集映射到了内存中的一颗FP树
• 第三部分是节点链表。所有项头表里的1项频繁集都是一个节点链表的头，它依次指向FP树中该1项频繁集出现的位置。这样做主要是方便项头表和FP-Tree之间的联系查找和更新，也好理解。

我们以下面的数据为例进行详细了解：

上面的流程讲的有些迷糊，我们用一个数据举例：定义“TID”为订单ID，“Items bought”为一次订单内购买的商品：

建立项头表

在构建FP-Tree之前，首先要建立一张项头表。扫描原始数据，并对每个商品进行计数。在这里可以设置阈值，比如保留最少要出现三次的商品。筛选后剩下a，b，c，f，m，p这六个商品，将这些商品按数量降序排列，生成项头表。

筛选排序原始数据

接下来开始第二次扫描原属数据，对于每条数据，剔除非项头表上的商品，并按照支持度降序排列。比如订单100，购买商品为{f, a, c, d, g, i, m, p}，剔除数据后为{f, a, c, m, p}，排序后为{f, c, a, m, p}。其他的原始数据以此类推进行处理，得到排序后的数据集。

构建FP-Tree

有了项头表和筛选排序后的原始数据集，接下来就可以构建FP-Tree了。建立FP-Tree需要我们一条条的读取筛选排序后的原始数据，并按照顺序依次插入到树中。如果有公共的祖先节点，则在对应的祖先节点加1。同时，新节点出现时，需要将其链接到项表头对应的节点链表。直到所有数据都插入树中，则构建完成。

接下来还是用上面的数据举个例子。首先插入TID 100，此时FP-Tree没有其他节点，因此{f, c, a, m, p}是一个独立的路径，所有节点计数为1, 项头表通过节点链表链接上对应的新增节点。

接着插入TID 200，{f, c, a, b, m}，其中f、c、a三个节点公用，计数变为2，到b节点产生新的分支，m为b的子节点，两个节点计数为1。当然，对应的b、m两个节点的链表也要更新。

依次处理剩下的三条数据，构建完成FP-Tree

挖掘频繁项集

准备好了FP-Tree，接下来就可以开始挖掘频繁项集。遍历项头表依次挖掘，找到每项的条件模式基。条件模式基是以要挖掘的节点作为叶子节点所对应的子树。得到这个子树，将子树中每个节点的的计数设置为叶子节点的计数，并删除计数低于约定值的节点。从这个条件模式基，我们就可以递归挖掘得到频繁项集了。假设需要的最小节点计数为2，开始挖掘p节点，如下图所示：

删除图中节点计数小于2的红色{c:1}、{b:1}、{p:1}节点，得到{p:2}节点的条件模式基为{f:2, c:2, a:2, m:2}。通过它，可以递归得到频繁二项集{f:2, p:2}、{c:2, p:2}、{a:2, p:2}、{m:2, p:2}，频繁三项集{f:2, c:2, p:2}、{f:2, a:2, p:2}等等，最后得到最大的频繁项集为频繁五项集，为{f:2, c:2, a:2, m:2, p:2}。如果最小节点计数为1，则可在挖掘完上面的子树后，根据项表头对应的节点链表找到红色的节点{p:1}，继续挖掘频繁项集。至此，p节点挖掘完毕，可以继续挖掘其他节点。挖掘完所有节点，也就得到了所有的频繁项集。至于最后f节点，由于它的条件模式基为空，因此可以不用去挖掘。

FP-Growth的Python实现

class treeNode:  # node class include properties and methods of node
    def __init__(self, name_value, num_occur, parent_node):
        self.name = name_value  # value is node string
        self.count = num_occur  # value is int
        self.node_link = None  # value is class_node
        self.parent = parent_node  # value is class_node
        self.children = {}  # content is node.name : class_node

    def inc(self, num_occur):
        self.count += num_occur  # count node

    def displaces(self, ind=1):
        print('  ' * ind, self.name, ' ', self.count)
        for child in self.children.values():
            child.displaces(ind + 1)  # iteration output


# update items header forms
def update_header(node_test, target_node):
    while node_test.node_link is not None:
        node_test = node_test.node_link
    node_test.node_link = target_node


# update iteratly tree (top to down)
def update_tree(items, in_tree, header_table, count):
    if items[0] in in_tree.children:
        in_tree.children[items[0]].inc(count)
    else:
        in_tree.children[items[0]] = treeNode(items[0], count, in_tree)  # build branch
        if header_table[items[0]][1] is None:
            header_table[items[0]][1] = in_tree.children[items[0]]
        else:
            update_header(header_table[items[0]][1], in_tree.children[items[0]])
    if len(items) > 1:
        update_tree(items[1:], in_tree.children[items[0]], header_table, count)


# build FP-Tree
def creat_tree(data_set, min_sup=1):  # data_set is dictionary
    header_table = {}
    for trans in data_set:
        for item in trans:
            header_table[item] = header_table.get(item, 0) + data_set[trans]
    for item_1 in list(header_table.keys()):
        if header_table[item_1] < min_sup:
            del (header_table[item_1])
    fre_item_set = set(header_table.keys())
    if len(fre_item_set) == 0:
        return None, None
    for item_1 in header_table:
        # items header table includes name and node count and address of node
        header_table[item_1] = [header_table[item_1], None]
    ret_tree = treeNode("Null Set", 1, None)  # root node
    for trans_set, count in data_set.items():
        local_id = {}
        for item_1 in trans_set:
            if item_1 in fre_item_set:
                local_id[item_1] = header_table[item_1][0]
        if len(local_id) > 0:
            order_set = [v[0] for v in sorted(local_id.items(), key=lambda p: p[1], reverse=True)]
            update_tree(order_set, ret_tree, header_table, count)
    return ret_tree, header_table


def local_data():
    test_data = [['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 test_data


# example dataset
def load_data():
    test_data = [['I1', 'I2', 'I5'],
                 ['I2', 'I4'],
                 ['I2', 'I3'],
                 ['I1', 'I2', 'I4'],
                 ['I1', 'I3'],
                 ['I2', 'I3'],
                 ['I1', 'I3'],
                 ['I1', 'I2', 'I3', 'I5'],
                 ['I1', 'I2', 'I3']]
    return test_data


def creat_set(data_set):
    ret_dic = {}
    for trans in data_set:
        ret_dic[frozenset(trans)] = ret_dic.get(frozenset(trans), 0) + 1
    return ret_dic


# search prefix tree
def before_tree(header_table_node, bef_path):
    if header_table_node.parent is not None:
        bef_path.append(header_table_node.name)
        before_tree(header_table_node.parent, bef_path)


# search all prefix tree of the same node
def find_path(base_pat, tree_node):
    cond_pats = {}
    while tree_node is not None:
        pre_path = []
        before_tree(tree_node, pre_path)
        if len(pre_path) > 1:
            cond_pats[frozenset(pre_path[1:])] = tree_node.count
        tree_node = tree_node.node_link
    return cond_pats


# mine tree
def mine_tree(in_tree, header_table, min_sup, pre_path, fre_item_set, fre_item_count):
    fre_item_1 = [v[0] for v in sorted(header_table.items(), key=lambda p: p[1][0])]
    for base_pat in fre_item_1:
        new_fre_set = pre_path.copy()
        new_fre_set.add(base_pat)
        # support count of frequent itemset
        fre_item_count[frozenset(new_fre_set)] = header_table[base_pat][0]
        fre_item_set.append(new_fre_set)
        cond_pat_path = find_path(base_pat, header_table[base_pat][1])
        my_tree, my_header = creat_tree(cond_pat_path, min_sup)

        print("condition tree for :", new_fre_set)
        if my_tree is not None:
            my_tree.displaces(1)
        if my_header is not None:
            mine_tree(my_tree, my_header, min_sup, new_fre_set, fre_item_set, fre_item_count)
    return fre_item_set, fre_item_count


# calculate support rate %
def support_grate(fre_item_count, trans_dic):
    total_trans = sum(trans_dic.values())
    for item_set in fre_item_count.keys():
        set_grate[item_set] = float(fre_item_count[item_set] / total_trans)
    return set_grate


if __name__ == "__main__":
    fre_item = []
    fre_item_count = {}
    set_grate = {}
    sim_data = local_data()
    set_data = creat_set(sim_data)
    my_data_tree, my_header_table = creat_tree(set_data, 2)
    my_data_tree.displaces()  # print FP-Tree
    fre_item, fre_item_count = mine_tree(my_data_tree, my_header_table, 2, set([]), fre_item, fre_item_count)
    grate_sup = support_grate(fre_item_count, set_data)
    print(fre_item)
    print(fre_item_count)
    print(grate_sup)

其他参考：

• https://github.com/enaeseth/python-fp-growth
• https://github.com/evandempsey/fp-growth