使用语言Python
实现的算法：寻找频繁项集
源码如下：
# -*- coding: cp936 -*-
def candidate_gen(F_prior):#F_prior是一个双层list 为项目集
'''候选项集集合生成函数'''
candidate=[]
print '下面进行合并：'
for list1 in F_prior:
for list2 in F_prior:
if list1!=None and list2!=None and list1!=list2 and list1[0:len(list1)-1]==list2[0:len(list2)-1]:
list_tmp=list1+list2
list_tmp.sort()
assistset=set(list_tmp)
tmp=[]
while assistset!=set([]):
tmp.append(assistset.pop())
print '******************************'
print'%s与%s融合生成%s'%(list1,list2,tmp)
if tmp not in candidate:
candidate.append(tmp)
print '下面进行剪枝：'
for i in range(len(candidate),0,-1):
sub_sets=get_subset(candidate[i-1])
for myset in sub_sets:
if myset not in F_prior:
print'**************************'
print'%s的k-1子集不是平凡项目集，故删除'%candidate[i-1]
del candidate[i-1]
break
print '候选集总共有%s'%candidate
return candidate
#**********************************************************#
def get_subset(myset):#myset 为候选集合中的一个k项目
'''求K-项集的K-1子项集'''
sub_sets=[]#为k-1项目集
length=len(myset)
sub_count=length-1
for begin in range(0,length):
end=begin+sub_count
if end<=length:
tmp=myset[begin:end]
tmp.sort()
else:
end=end%length
tmp=myset[begin:length]+myset[0:end]
tmp.sort()
if tmp not in sub_sets:
sub_sets.append(tmp)
return sub_sets
#********************************************************************#
def AprioriFrequecySet(T,minsup,F_info):
#F_info格式如下(list,support)它的初始值是F1
F_total=[]
F=[m[0]for m in F_info]
k=2
while len(F)>1:
print k
F_entire=[]#是F_info的结合
F_temp=[]
Candidates=candidate_gen(F)
for can in Candidates:
count=0
for t in T:
tmp_t=set(t)
tmp_can=set(can)
if tmp_can.issubset(tmp_t):
count=count+1
can_tuple=(can,count)
F_temp.append(can_tuple)
#F_entire=[m for m in F_temp if fm[1]>=minsup]
for m in F_temp:
support=float(m[1])/len(T)
if float(m[1])/len(T)>=minsup:
print '*********************'
print '将(%s,%s)加入频繁项集，因为他的支持度%s大于最小支持度'%(m[0],m[1],support)
F_entire.append(m)
pause=raw_input('pleas wait a minute')
F=[m[0] for m in F_entire]
F_total=F_total+F_entire
k=k+1
return F_total
#######################################################################
参考书籍:《刘兵网络数据挖掘》
