FP-Tree算法的Python代码实现以及新闻点击流分析实例

FP-Tree算法的Python代码实现以及新闻点击流分析实例
两个py文件，一个是FP-Tree算法，另外一个是使用该算法来进行新闻点击流分析

Author: Thinkgamer

FP-growth/FP_Tree.py

@@ -0,0 +1,170 @@
+#-*-coding:utf-8-*-
+'''
+Created on 2016年5月9日
+
+@author: Gamer Think
+'''
+
+#定义一个树，保存树的每一个结点
+class treeNode:
+    def __init__(self,nameValue, numOccur, parentNode):
+        self.name = nameValue
+        self.count = numOccur
+        self.parent = parentNode
+        self.children = {}   #用于存放节点的子节点
+        self.nodeLink = None #用于连接相似的元素项
+    
+    #对count变量增加给定值
+    def inc(self, numOccur):
+        self.count += numOccur
+     
+    #用于将树以文本形式显示，对于构建树来说并不是需要的   
+    def disp(self, ind = 1):
+        print "  " * ind, self.name, "  ",self.count
+        for child in self.children.values():
+            child.disp(ind + 1)
+
+#FP树的构建函数
+def createTree(dataSet, minSup=1):
+    ''' 创建FP树 '''
+    # 第一次遍历数据集，创建头指针表
+    headerTable = {}
+    for trans in dataSet:
+        for item in trans:
+            headerTable[item] = headerTable.get(item, 0) + dataSet[trans]
+    # 移除不满足最小支持度的元素项
+    for k in headerTable.keys():
+        if headerTable[k] < minSup:
+            del(headerTable[k])
+    # 空元素集，返回空
+    freqItemSet = set(headerTable.keys())
+    if len(freqItemSet) == 0:
+        return None, None
+    # 增加一个数据项，用于存放指向相似元素项指针
+    for k in headerTable:
+        headerTable[k] = [headerTable[k], None]
+    retTree = treeNode('Null Set', 1, None) # 根节点
+    # 第二次遍历数据集，创建FP树
+    for tranSet, count in dataSet.items():
+        localD = {} # 对一个项集tranSet，记录其中每个元素项的全局频率，用于排序
+        for item in tranSet:
+            if item in freqItemSet:
+                localD[item] = headerTable[item][0] # 注意这个[0]，因为之前加过一个数据项
+        if len(localD) > 0:
+            orderedItems = [v[0] for v in sorted(localD.items(), key=lambda p: p[1], reverse=True)] # 排序
+            updateTree(orderedItems, retTree, headerTable, count) # 更新FP树
+    return retTree, headerTable
+
+def updateTree(items, inTree, headerTable,count):
+    #判断事务中的第一个元素项是否作为子节点存在，如果存在则更新该元素项的计数
+    if items[0] in inTree.children:
+        inTree.children[items[0]].inc(count)
+    #如果不存在，则创建一个新的treeeNode并将其作为子节点添加到树中    
+    else:
+        inTree.children[items[0]] = treeNode(items[0],count,inTree)
+        # 更新头指针表或前一个相似元素项节点的指针指向新节点
+        if headerTable[items[0]][1]==None:
+            headerTable[items[0]][1] = inTree.children[items[0]]
+        else:
+            updateHeader(headerTable[items[0]][1],inTree.children[items[0]])
+     # 对剩下的元素项迭代调用updateTree函数            
+    if len(items) > 1:
+        updateTree(items[1::], inTree.children[items[0]], headerTable, count)    
+
+#获取头指针表中该元素项对应的单链表的尾节点，然后将其指向新节点targetNode            
+def updateHeader(nodeToTest, targetNode):
+    while (nodeToTest.nodeLink != None):
+        nodeToTest = nodeToTest.nodeLink
+    nodeToTest.nodeLink = targetNode   
+
+#生成数据集
+def loadSimpDat():
+    simpDat = [['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 simpDat
+
+def createInitSet(dataSet):
+    retDict = {}
+    for trans in dataSet:
+        retDict[frozenset(trans)] = 1
+    return retDict
+#=========================================================
+
+#给定元素项生成一个条件模式基（前缀路径）
+#basePat表示输入的频繁项，treeNode为当前FP树中对应的第一个节点（可在函数外部通过headerTable[basePat][1]获取）
+def findPrefixPath(basePat,treeNode):
+    condPats = {}
+    while treeNode != None:
+        prefixPath = []     
+        ascendTree(treeNode, prefixPath)
+        if len(prefixPath) > 1:
+            condPats[frozenset(prefixPath[1:])] = treeNode.count
+        treeNode = treeNode.nodeLink
+    #返回函数的条件模式基
+    return condPats
+
+#辅助函数，直接修改prefixPath的值，将当前节点leafNode添加到prefixPath的末尾，然后递归添加其父节点
+def ascendTree(leafNode, prefixPath):
+    if leafNode.parent != None:
+        prefixPath.append(leafNode.name)
+        ascendTree(leafNode.parent, prefixPath)    
+        
+#递归查找频繁项集
+#参数：inTree和headerTable是由createTree()函数生成的数据集的FP树
+#    : minSup表示最小支持度
+#    ：preFix请传入一个空集合（set([])），将在函数中用于保存当前前缀
+#    ：freqItemList请传入一个空列表（[]），将用来储存生成的频繁项集
+def mineTree(inTree,headerTable,minSup,preFix,freqItemList):
+    bigL = [v[0] for v in sorted(headerTable.items(),key = lambda p:p[1])]
+    for basePat in bigL:
+        newFreqSet = preFix.copy()
+        newFreqSet.add(basePat)
+        freqItemList.append(newFreqSet)
+        condPattBases = findPrefixPath(basePat, headerTable[basePat][1])
+        myConTree,myHead = createTree(condPattBases, minSup)
+        
+        if myHead != None:
+            #用于测试
+            print 'conditional tree for :', newFreqSet
+            myConTree.disp()
+            
+            mineTree(myConTree, myHead, minSup, newFreqSet, freqItemList)
+
+#封装算法
+def fpGrowth(dataSet, minSup=3):
+    initSet = createInitSet(dataSet)
+    myFPtree, myHeaderTab = createTree(initSet, minSup)
+    freqItems = []
+    mineTree(myFPtree, myHeaderTab, minSup, set([]), freqItems)
+    return freqItems
+
+if __name__=="__main__":
+    
+    #测试加载数据集和生成树代码
+    '''
+    simpDat = loadSimpDat()
+    initSet = createInitSet(simpDat)
+    myFPtree, myHeaderTab = createTree(initSet, 3)
+    print myFPtree.disp()
+    '''
+    #测试findPrefixPath代码
+    '''
+    print "x",findPrefixPath('x', myHeaderTab['x'][1])
+    print "z",findPrefixPath('z', myHeaderTab['z'][1])
+    print "r",findPrefixPath('r', myHeaderTab['r'][1])
+    '''
+    #测试mineTree的代码
+    '''
+    freqItems = []
+    mineTree(myFPtree,  myHeaderTab, 3, set([]), freqItems)
+    print freqItems
+    '''
+    #封装算法后代码测试
+    dataSet = loadSimpDat()
+    freqItems = fpGrowth(dataSet)
+    print freqItems
+    

FP-growth/newsClickStream.py

@@ -0,0 +1,23 @@
+#-*-coding:utf-8-*-
+'''
+Created on 2016年5月9日
+
+@author: Gamer Think
+'''
+import FP_Tree
+
+#将数据集加载到列表
+parsedDat = [line.split() for line in open('kosarak.dat').readlines()]
+print parsedDat
+
+#初始集合格式化
+initSet = FP_Tree.createInitSet(parsedDat)
+
+#构建FP树
+myFPtree, myHeaderTab = FP_Tree.createTree(initSet, 100000)
+
+#创建空列表，保存频繁项集
+myFreqList = []
+FP_Tree.mineTree(myFPtree, myHeaderTab, 100000, set([]), myFreqList)
+print len(myFreqList)
+print myFreqList