《机器学习实战》学习笔记第十二章 —— FP-growth算法

主要内容：

一.  FP-growth算法简介

二.构建FP树

三.从一颗FP树中挖掘频繁项集

一.  FP-growth算法简介

1.上次提到可以用Apriori算法来提取频繁项集，但是Apriori算法有个致命的缺点，那就是它对每个潜在的频繁项集都需要扫描数据集判定其是否频繁，因而在时间消耗上是巨大的。据说在实际应用上一般都不用Apriori算法，那用什么呢？FP-growth算法。

2.FP算法的核心就是将数据集存储在一个特定的称作FP树的结构当中，FP树与Trie树（字典树）十分相似，一样是共用“前缀”。构建完FP树之后，就可以递归地在FP树上挖掘频繁项集。FP-growth算法只需要对数据集进行两次扫描（第一次扫描在建树时，第二次扫描在哪里？惭愧，真看不出在哪里。），且利用到了类似Trie树这种节省“空间”的结构，运行起来比Apriori算法快了不少。

二.构建FP树

1.算法描述：

1）假设有六条数据，如下

2）为了将这些数据插进类似Trie树的结构中，且为了树的规模尽可能小（这样树的表示效率才高），可以想到：将集合型的数据通过按照字母出现频率降序排序，形成列表型的数据。因为将经常出现的字母都放在了每条数据的前面，在插入FP树中，公共前缀就更多了，即公共节点多了，树的规模就小了，所以树的表示效率就是高效的。

3）将每条数据重新调整后，就将数据插入到FP树中，其过程与Trie树无异。在建树的同时，还需要维护一个字母表，字母表需要记录字母的出现次数以及在FP树中出现的位置（位置通过链表维护）。

2.代码注释：

 class treeNode:         #树结点
     def __init__(self, nameValue, numOccur, parentNode):
         self.name = nameValue   #这个结点所存的字母
         self.count = numOccur   #结点计数器
         self.nodeLink = None    #指向下一个同字母的结点的指针
         self.parent = parentNode  # 指向父节点的指针，用于上溯
         self.children = {}      #儿子结点的指针集
 
     def inc(self, numOccur):        #更新结点计数器
         self.count += numOccur
 
 def createTree(dataSet, minSup=1):  #根据数据创建FP树，minSup为出现次数的阈值
     headerTable = {}        #字母表，需要存储两个信息：1.该字母的出现次数，2.指向该字母出现在FP树上的头指针
     # 统计每个字母出现的次数
     for trans in dataSet:  #枚举每一条数据
         for item in trans:      #枚举该条数据的每一个字母
             headerTable[item] = headerTable.get(item, 0) + dataSet[trans]   #累加
     for k in headerTable.keys():  # 枚举每一个字母，去除掉那些出现次数低于阈值的字母
         if headerTable[k] < minSup:
             del (headerTable[k])
     freqItemSet = set(headerTable.keys())   #将符合条件的字母放到一个set中，即freqItemSet
     if len(freqItemSet) == 0: return None, None  # if no items meet min support -->get out
     for k in headerTable:   #为headerTable开辟多一个位置，存放头指针
         headerTable[k] = [headerTable[k], None]  # reformat headerTable to use Node link
 
     retTree = treeNode('Null Set', 1, None)  # 创建根节点
     for tranSet, count in dataSet.items():  # 将每一条数据插进FP树中，期间需要去除掉数据中出现次数低于阈值的字母，且数据中字母需要按出现次数进行降序排序
         localD = {}     #用于存放该数据中符合条件的字母
         for item in tranSet:  # 枚举这条数据的每个字母
             if item in freqItemSet:     #如果该字母符合条件，则放进localD中
                 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)] #将符合条件的字母按出现次数进行降序排序
             updateTree(orderedItems, retTree, headerTable, count)  # 然后将其插入FP树中
     return retTree, headerTable  # 返回FP树和字母表
 
 def updateTree(items, inTree, headerTable, count):      #将一条数据插进FP树中，类似于将一条字符串插进Trie树中
     if items[0] in inTree.children:  # 若首字母的结点存在，则直接更细该节点的计数器
         inTree.children[items[0]].inc(count)  # incrament count
     else:  # 否则
         inTree.children[items[0]] = treeNode(items[0], count, inTree)   #创建新结点，之后需要将该结点放进字母表的链表中
         if headerTable[items[0]][1] == None:  # 如果该字母首次出现，则直接将字母表的头指针指向该结点
             headerTable[items[0]][1] = inTree.children[items[0]]
         else:                                    #否则，需要将其插入到合适的位置，书本的做法是尾插法
             updateHeader(headerTable[items[0]][1], inTree.children[items[0]])
     if len(items) > 1:  # call updateTree() with remaining ordered items
         updateTree(items[1::], inTree.children[items[0]], headerTable, count)
 
 def updateHeader(nodeToTest, targetNode):  # 将新建的字母结点加入到字母表链的链尾，但个人认为头插法更优
     while (nodeToTest.nodeLink != None):  # Do not use recursion to traverse a linked list!
         nodeToTest = nodeToTest.nodeLink
     nodeToTest.nodeLink = targetNode

三.从一颗FP树中挖掘频繁项集

1.算法步骤

初始化：将“当前频繁项集合的前缀”设为空。

枚举生成FP树时附带生成的字母表：

　　1）将枚举到的字母添加到“当前频繁项集合的前缀”的末尾，这时我们就挖掘到了一个频繁项集，把它存起来。

　　2）在FP树中寻找该字母所有的前缀被称为“条件模式基”（管他叫什么呢），接着利用这些前缀构建一棵FP树，同时也得到了字母表。

　　3）如果树不为空，则对这棵新的FP树进行挖掘（此时更新的参数有：FP树、字母表、“当前频繁项集合的前缀”），这是一个递归的形式。

2.算法详解：

1）关于递归地创建FP树：

假如在递归的第一层，当前枚举到的字母为A，A在树中出现了几次，且都在树的内部。这是我们实质上是挖掘到了一个频繁项集的，那就是{}+A，而这个{}就是“当前频繁项集合的前缀”。之后在FP树中将字母A的所有前缀都取出来，对于其中一条被取出来的前缀，它的实际就是“某条数据的子集”，之后将他们组成另一棵FP树。在构建FP树的过程中，需要重新“统计”、“剔除”、“排序”，因为原本在旧FP树中某些字母的出现频率符合要求，但在新的FP树由于只是选出了部分路径而漏了其他，所以可能导致字母的频率低于阈值，或者字母的排位发生了变化。对于新构建的FP树，我们可知其是在“共有频繁项集A”的情况下的FP树，即这个FP树是有“前提条件”或者说是有“状态”的。在这棵新的FP树，我们继续枚举字母表的字母，假设枚举到字母B，那么我们又挖掘到了一个频繁项集，那就是{A}+B。以此递归地枚举下去，就可以挖掘出所有的频繁项集了。

2）关于挖掘到的频繁项集是否有重复的问题：

由于形成FP树的“数据条”里面的字母是排序过的，所在FP树中，祖先与子孙的关系是严格确定了的。出现频率高的为祖先，低的为子孙，所以在一条从根节点到叶子结点的路径中，如果A出现在B的前面，那么在B的后面，A是绝对不会出现的。简而言之：假如A的频率高于B的频率，那么所有的A必定出现在B的上面。这一点就保证了频繁项集不会有重复。

3.代码注释：

 def updateHeader(nodeToTest, targetNode):  # 将新建的字母结点加入到字母表链的链尾，但个人认为头插法更优
     while (nodeToTest.nodeLink != None):  # Do not use recursion to traverse a linked list!
         nodeToTest = nodeToTest.nodeLink
     nodeToTest.nodeLink = targetNode
 
 def ascendTree(leafNode, prefixPath):  #在FP树，从一个结点开始，上溯至根节点，并记录路径。这样就找到了频繁项的一个前缀路径
     if leafNode.parent != None:
         prefixPath.append(leafNode.name)
         ascendTree(leafNode.parent, prefixPath)
 
 def findPrefixPath(treeNode):  # 在FP树，找出某个字母所有的前缀路径，即找到对应的条件模式基
     condPats = {}       #存储前缀路径，为何要用字典的形式？因为还要记录每条前缀路径的出现次数，然后又用来创建FP树
     while treeNode != None:
         prefixPath = []     #保存当前的前缀路径
         ascendTree(treeNode, prefixPath)
         if len(prefixPath) > 1: #因为该节点也被加进了路径当中，所以需要路径的长度大于1
             condPats[frozenset(prefixPath[1:])] = treeNode.count        #将前缀路径并其出现次数存起来
         treeNode = treeNode.nodeLink            #沿着字母表链，走向下一个结点，继续寻找前缀路径
     return condPats
 
 '''递归地从FP树中挖掘频繁项集，headerTable为字母表，preFix为当前频繁项集合的前缀， freqItemList用于存储频繁项集'''
 def mineTree(inTree, headerTable, minSup, preFix, freqItemList):
     bigL = [v[0] for v in sorted(headerTable.items(), key=lambda p: p[1])]  # 对字母表进行排序（根据出现次数），但为什么 要排序呢?
     for basePat in bigL:  # 枚举字母表中的每一个字母
         newFreqSet = preFix.copy()
         newFreqSet.add(basePat)     #将该字母加入到“当前频繁项集合的前缀”中，形成新的频繁项集
         freqItemList.append(newFreqSet)     #保存新的频繁项集
         condPattBases = findPrefixPath(headerTable[basePat][1])     #在当前FP树中找到该字母的条件模式基
         myCondTree, myHead = createTree(condPattBases, minSup)       # 然后利用条件模式基创建新的FP树
         if myHead != None:  # 如果裁剪过后的FP树仍不为空，则将新的频繁项集作为“当前频繁项集合的前缀”，然后在新的FP树上继续挖掘频繁项集
             mineTree(myCondTree, myHead, minSup, newFreqSet, freqItemList)