Apriori算法实现

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;
	}
}

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。