Misra-Gries 算法
12/5/2017 3:39:22 PM
前言
Misra-Gries算法是频繁项挖掘中一个著名的算法。频繁项就是那些在数据流中出现频率最高的数据项。频繁项挖掘,这个看似简单的任务却是很多复杂算法的基础,同时也有着广泛的应用。
对于频繁项挖掘而言,一个简单的想法是,为所有的数据项分配计数器,当一个数据项到达,我们即增加相应计数器的值。但当数据流的规模较大时,出于内存的限制,我们往往不可能为每个数据项分配计数器。而Misra-Gries算法则是以一种清奇的思路解决了这个问题,实现了在内存受限的情况下,以较小的错误率统计数据流中的频繁项。
算法作者
Misra-Gries算法在1982年由华威大学的Misra和Gries提出。
频繁项
我们首先对频繁项进行形式化的定义。
给定一系列数据项,频繁项挖掘的目的只是简单地找到那些出现最频繁的数据项。通常我们定义这个问题为找到那些出现频率超过具体阈值的数据项。
定义1. 给定一个数据流\(S\),它包含\(n\)个数据项\(t\_1,\cdots,t\_n\),那么一个数据项\(i\)的频数为\(f\_i=|\\{j|t\_j=i\\}|\)。而集合\(\\{i|f\_i>\phi n\\}\)中的元素,我们称为\(\phi-\)频繁项。
例子. 对于数据流\(S=(a,b,a,c,c,a,b,d)\),有\(f\_a=3,f\_b=2,f\_c=2,f\_d=1\)。如果设\(\phi=0.2\),那么频繁项有\(a,b\)和\(c\)。
Misra-Gries算法
即使\(\phi\)的值很大,解决这个问题的算法也至少要花费\(O(n)\)的空间。在这种情况下,一个错误率为\(\epsilon\)的近似算法被提出。这就是我们的Misra-Gries算法。它的具体步骤如下:
首先建立一个大小为\(k\)的数组\(T\)。
对于数据流中依次到达的项\(i\)进行如下处理:如果项\(i\)在数组\(T\)中,则其对应的计数器\(c_i++\);如果项\(i\)不在数组\(T\)中,且数组\(T\)中的元素个数小于\(k-1\),则将项\(i\)加入数组\(T\),并为其分配计数器\(c_i=1\);其他情况,将数组\(T\)中所有元素的计数器减1,此时如果数组\(T\)中存在元素的计数器值为0,则从数组\(T\)移除这个元素。
当完成对数据流的扫描后,数据\(T\)中保存的\(k’(k’≤k-1)\)个元素即是数据流中的频繁项。
Python实现
下面使用python3进行实现,其中数组\(T\)和计数器\(c_i\)使用字典实现。
def misra_gries(S,k):
for i in S:
if i in c:
c[i]+=1
elif len(c)<k-1:
c[i]=1
else:
for j in list(c):
c[j]-=1
if c[j]==0:
c.pop(j)
print (c)
return list(c)
假设\(k=3,S=[1,2,1,4,2,1,5,2]\),那么程序的输出结果如下
{1: 1}
{1: 1, 2: 1}
{1: 2, 2: 1}
{1: 1}
{1: 1, 2: 1}
{1: 2, 2: 1}
{1: 1}
{1: 1, 2: 1}
[1, 2]
[Finished in 0.2s]
正确性证明
上面说到了这个算法是一个近似算法,这表明算法输出的结果并不一定是频繁项。Misra-Gries算法的错误率为\(\epsilon\)。
定义2. 给定一个包含\(n\)个数据项的数据流\(S\),上述的\(\epsilon-\)近似算法返回一个集合\(F\)。对于所有满足\(i\in F\)数据项\(i\),都有\(f\_i>(\phi-\epsilon)n\);并且不存在\(i \notin F\)的数据项\(i\),使得\(f\_i>\phi n\)。
上面的定义表明,Misra-Gries算法输出的数据项并不一定是频繁项,但是频繁项一定在输出结果之中。后一句便是问题的关键了,它表明Misra-Gries算法可以确保找到数据流中的频繁项。下面我们对这一点进行简要的证明。
定理1. 计数器减一的操作最多执行了\(n/k\)轮。
证明:当数组\(T\)中元素的个数等于\(k-1\)时,才会出现计数器减一的操作。此时,计数器值共减少\(k-1\),包括被舍弃的新数据项,计数器值之和共比实际到达的数据项的个数少\(k\)。由于最后的计数器值之和是大于\(0\)的,且数据流中数据项的个数为\(n\),所以计数器减一的操作最多执行了\(n/k\)轮。
定理2. 当\(k=\left\lceil\frac{1}{\phi}\right\rceil\),所有的\(\phi-\)频繁项都会被Misra-Gries算法检测出。
证明:由定理1可知,计数器减一的操作最多执行了\(n/k\)轮。因此,算法结束时,数据项\(i\)计数器的值\(c_i\),满足\(c_i\leq f_i\leq c_i+n/k\)。对于所有不在数组\(T\)中的数据项\(i\),有\(c_i=0\),于是\(f_i\leq n/k\leq \phi n\)。故所有满足\(f_j>\phi n\)的数据项\(j\),即所有的\(\phi-\)频繁项都会被Misra-Gries算法检测出。
参考
[1] Cormode G. Misra-Gries Summaries[M]. Springer US, 2014.
http://dimacs.rutgers.edu/~graham/pubs/papers/encalgs-mg.pdf。
本文链接:www.superzhang.site/blog/misra-gries-algorithm
Misra-Gries 算法的更多相关文章
- <2014 05 09> Lucida:我的算法学习之路
[转载] 我的算法学习之路 关于 严格来说,本文题目应该是我的数据结构和算法学习之路,但这个写法实在太绕口——况且CS中的算法往往暗指数据结构和算法(例如算法导论指的实际上是数据结构和算法导论),所以 ...
- B树——算法导论(25)
B树 1. 简介 在之前我们学习了红黑树,今天再学习一种树--B树.它与红黑树有许多类似的地方,比如都是平衡搜索树,但它们在功能和结构上却有较大的差别. 从功能上看,B树是为磁盘或其他存储设备设计的, ...
- 分布式系列文章——Paxos算法原理与推导
Paxos算法在分布式领域具有非常重要的地位.但是Paxos算法有两个比较明显的缺点:1.难以理解 2.工程实现更难. 网上有很多讲解Paxos算法的文章,但是质量参差不齐.看了很多关于Paxos的资 ...
- 【Machine Learning】KNN算法虹膜图片识别
K-近邻算法虹膜图片识别实战 作者:白宁超 2017年1月3日18:26:33 摘要:随着机器学习和深度学习的热潮,各种图书层出不穷.然而多数是基础理论知识介绍,缺乏实现的深入理解.本系列文章是作者结 ...
- 红黑树——算法导论(15)
1. 什么是红黑树 (1) 简介 上一篇我们介绍了基本动态集合操作时间复杂度均为O(h)的二叉搜索树.但遗憾的是,只有当二叉搜索树高度较低时,这些集合操作才会较快:即当树的高度较高(甚至一种极 ...
- 散列表(hash table)——算法导论(13)
1. 引言 许多应用都需要动态集合结构,它至少需要支持Insert,search和delete字典操作.散列表(hash table)是实现字典操作的一种有效的数据结构. 2. 直接寻址表 在介绍散列 ...
- 虚拟dom与diff算法 分析
好文集合: 深入浅出React(四):虚拟DOM Diff算法解析 全面理解虚拟DOM,实现虚拟DOM
- 简单有效的kmp算法
以前看过kmp算法,当时接触后总感觉好深奥啊,抱着数据结构的数啃了一中午,最终才大致看懂,后来提起kmp也只剩下“奥,它是做模式匹配的”这点干货.最近有空,翻出来算法导论看看,原来就是这么简单(先不说 ...
- 神经网络、logistic回归等分类算法简单实现
最近在github上看到一个很有趣的项目,通过文本训练可以让计算机写出特定风格的文章,有人就专门写了一个小项目生成汪峰风格的歌词.看完后有一些自己的小想法,也想做一个玩儿一玩儿.用到的原理是深度学习里 ...
随机推荐
- 遍历Map和List的几种方法和性能比较
public static void main(String[] args) { Map<String, String> map = new HashMap<String, Stri ...
- SQL SERVER 删除前判断指定的表或者存储过程是否存在
1.创建存储过程: CREATE PROCEDURE proc_pr ---将create修改成alter可以修改存储过程: AS BEGIN IF EXISTS(SELECT * FROM syso ...
- python实现简单的循环购物车小功能
python实现简单的循环购物车小功能 # -*- coding: utf-8 -*- __author__ = 'hujianli' shopping = [ ("iphone6s&quo ...
- maven编译常见错误解决方法整理
程序包com.sun.xml.internal.ws.spi不存在 当maven项目里面有用到JDK内部的一些类,接口(如:com.sun.xml.internal.ws.spi.ProviderIm ...
- hasOwnProperty的用法
判断一个属性倒底是在原型中,还是在实例中 hasOwnProperty() 来个栗子 function Person(){ }; Person.prototype.name = "hezhi ...
- svo笔记
使用 要想在ros中有更多的debug信息,要在global.h中把ros log的级别设为debug,最简单的就是把SVO_DEBUG_STREAM(x)改成ROS_INFO_STREAM(x) # ...
- python的高级应用
记录一下Python函数式编程,高级的几个BIF,高级官方库方面的用法和心得. 函数式编程 函数式编程是使用一系列函数去解决问题,按照一般编程思维,面对问题时我们的思考方式是"怎么干&quo ...
- 使用joda-time工具类 计算时间相差多少 天,小时,分钟,秒
下面程序使用了两种方法计算两个时间相差 天,小时,分钟,秒 package jodotest; import java.text.ParseException; import java.text.Si ...
- sublime使用总结
上周忙呀忙~ 周一到五在忙项目,周六日搬家 在帝都平均一年就要换一次房子,从开始找房子到成功住进去前前后后大约花了半个多月的时间 什么时候就有自己的小窝了-- 之前开发一直用的都是W ...
- A start job is running for xxx to stop
CentOS7开机时,遇到这样的问题已经好多回了,查阅了许多这样的问题,总是没能找到自己想要的答案. 今天本来启动顺利,但是设置mysql.httpd服务开机启动之后,再次开机时又遇到这样的问题. 这 ...