《Python数据挖掘入门与实践》Apriori算法代码中如何避免频繁项集重复计数？-Python教程-PHP中文网

《Python数据挖掘入门与实践》Apriori算法代码中如何避免频繁项集重复计数？

心靈之曲

发布： 2025-02-28 11:46:17

原创

870人浏览过

《python数据挖掘入门与实践》apriori算法代码改进：避免频繁项集重复计数

本文针对《Python数据挖掘入门与实践》一书中Apriori算法代码的重复计数问题提出改进方案。书中代码片段用于从频繁1-项集生成频繁2-项集，但存在由于项集顺序不同导致重复计数的缺陷。

原代码的核心部分如下：

from collections import defaultdict

def find_frequent_itemsets(favorable_reviews_by_users, k_1_itemsets, min_support):
    counts = defaultdict(int)
    for user, reviews in favorable_reviews_by_users.items():
        for itemset in k_1_itemsets:
            if itemset.issubset(reviews):
                for other_reviewed_movie in reviews - itemset:
                    current_superset = itemset | frozenset((other_reviewed_movie,))
                    counts[current_superset] += 1
    return dict([(itemset, frequency) for itemset, frequency in counts.items() if frequency >= min_support])

登录后复制

问题在于，对于用户评论集合{a, b}，当itemset为{a}时，会生成{a, b}；当itemset为{b}时，又会生成{b, a}，导致{a, b}被重复计数。

改进方案：对生成的项集进行排序，确保相同项集仅计数一次。修改后的代码如下：

立即学习“Python免费学习笔记（深入）”；

from collections import defaultdict

def find_frequent_itemsets(favorable_reviews_by_users, k_1_itemsets, min_support):
    counts = defaultdict(int)
    for user, reviews in favorable_reviews_by_users.items():
        for itemset in k_1_itemsets:
            if itemset.issubset(reviews):
                for other_reviewed_movie in reviews - itemset:
                    current_superset = itemset | frozenset((other_reviewed_movie,))
                    current_superset = frozenset(sorted(list(current_superset))) #排序避免重复
                    counts[current_superset] += 1
    return dict([(itemset, frequency) for itemset, frequency in counts.items() if frequency >= min_support])

登录后复制

通过frozenset(sorted(list(current_superset)))这一行代码，我们将current_superset转换为列表进行排序，再转换回frozenset，从而确保相同项集的顺序一致，避免重复计数，最终得到准确的频繁项集。

《Python数据挖掘入门与实践》Apriori算法代码中如何避免频繁项集重复计数？