FP_Growth演算法python實現

標籤：fp-tree   fp-growth   python   

FP_Growth演算法是關聯分析中比較優秀的一種方法，它通過構造FP_Tree，將整個交易資料庫映射到樹結構上，從而大大減少了頻繁掃描資料庫的時間。
FP_Growth演算法主要分成兩個步驟，第一步是構造FP-Tree，第二步是從FP-Tree中提取頻繁項集。
更多關聯分析和FP_Growth的介紹以及虛擬碼請見：什麼是關聯分析、FP-Growth演算法的介紹。

本文主要目的是介紹python實現FP_Growth演算法的代碼。

FP_Growth項目目錄有四個檔案：

>FP_Growth
　? __init__.py
　? tree_builder.py
　? tree_building.py
　? tree_miner.py

其中，tree_builder.py和tree_building.py檔案主要負責FP-tree的構造，而tree_miner.py則是用來從構造好的FP-tree上提取頻繁項集。

主程式所在的檔案“\__init__.py”代碼如下：

#coding=utf-8import tree_builderimport tree_minerroutines = [               [‘Cola‘,‘Egg‘,‘Ham‘],           [‘Cola‘,‘Diaper‘,‘Beer‘],           [‘Cola‘,‘Beer‘,‘Diaper‘,‘Ham‘],           [‘Diaper‘,‘Beer‘]        ]                                  #交易資料集min_sup = 2                             #最小支援度計數headerTable = {}        #頭結點表，用來存放各個項的索引treeBuilder = tree_builder.Tree_builder(routines=routines, min_sup=min_sup, headerTable=headerTable)    #建造FP_Treetree_miner.Tree_miner(Tree=treeBuilder.tree, min_sup=min_sup, headerTable=headerTable)         #對FP_Tree進行頻繁項集的挖掘

它主要實現三個動作：

1. 輸入交易資料集routines;
2. 調用tree_builder，構造FP-tree;
3. 調用tree_miner，從FP-tree提取頻繁項集;

FP-tree的構造請見：FP-Growth演算法python實現之 FP-tree的構造
頻繁項集的挖掘請見：FP-Growth演算法python實現之頻繁項集的挖掘

代碼地址：FP-Growth演算法python實現（完整代碼）。
備忘：該代碼是在 Python2.7+eclipse 環境下編寫的。可在eclipse中匯入項目，也可在命令列視窗用python命令執行“__init__.py”檔案。

著作權聲明：轉載請註明出處，謝謝！

FP_Growth演算法python實現