Apriori算法的C++实现
Apriori是经典的购物篮分析算法。该算法用SQL实现难度较大，所以考虑用C++实现。
花了两天，代码例如以下。原创转载请注明出处
//Apriori.c
#include<iostream>
#include<set>
#include<map>
#include<string>
#include<vector>
using namespace std;
typedef map<set<string>,int> map_s;
map_s Ck ;//候选集Ck
map_s Lk ; //频繁项集Lk
vector<set<string> > data; //原始数据
vector<set<string> > L; //频繁项集合
vector<string> data2; //切割后的原始数据
int n,m;
int minSup = 2;
int minConf = 0.2;
set<string> s;
string in;
void Delete(map_s &Ck)
{
for( map_s::iterator l_it=Ck.begin();l_it!=Ck.end();l_it++ )
{
if( l_it->second< minSup)
{
Ck.erase(l_it);
}
}
}
int compset(set<string> s1,set<string> s2)
{
int flag=0;
//推断集合s1是不是s2的子集
for( set<string>::iterator it=s1.begin(); it!=s1.end();it++ )
{
//s1有元素不在s2中
if( s2.find(*it)==s2.end() )
{
flag=10;
break;
}
}
for( set<string>::iterator it=s2.begin(); it!=s2.end();it++ )
{
//s2有元素不在s1中
if( s1.find(*it)==s1.end() )
{
flag+=1;
break;
}
}
/*当flag==0,s1元素所有在s2中，s2元素也所有在s1中，s1==s2
当flag==10,s1有元素不在s2中，s2所有元素都在s1中。s1包括了s2
当flag==1,s1所有元素在s2中，s2有元素不在s1中。s2包括了s1
当flag==11,s1 s2集合互不包括
*/
return flag;
}
map_s apriori_gen(map_s &Ck,int k)
{
//生成子集
map_s Ck_temp;
set<string> s_temp;
for( map_s::iterator l_it1=Ck.begin();l_it1!=Ck.end();l_it1++ )
{
for( map_s::iterator l_it2=Ck.begin();l_it2!=Ck.end();l_it2++ )
{
//假设两个set一样，则说明是同一个KEY。跳过
if(!((l_it1->first > l_it2->first)||(l_it1->first < l_it2->first)))
continue;
//否则開始组装,遍历整个Ck
for( set<string>::iterator s_it=l_it2->first.begin();s_it!=l_it2->first.end();s_it++ )
{
//假设该值在l_it1 set里面能够找到，不能组装
if( l_it1->first.find(*s_it)!=l_it1->first.end())
continue;
//否则进行组装,先把l_it1的set复制进去
s_temp = l_it1->first;
//再把l_it2的值放进去
s_temp.insert(*s_it);
//推断该组装的set是否已在生成集合中。假设之前已生成。则不须要往下运算
if(Ck_temp.find(s_temp)!=Ck_temp.end())
continue;
else //否则放到生成的子集中
{
Ck_temp.insert(pair<set<string>,int >(s_temp,0));
}
}
}
}
//对于k=2的情况。须要扫描原始数据得出计数值
if( 2 == k )
{
for( map_s::iterator l_it=Ck_temp.begin();l_it!=Ck_temp.end();l_it++ )
for(int i=0;i<data.size();i++)
//l_it集合被data[i]完整包括，则计数值+1
if( (10 == compset(data[i],l_it->first)) || (0 == compset(data[i],l_it->first)) )
Ck_temp[l_it->first]++;
//扫描完之后排除 非频繁项
for( map_s::iterator l_it=Ck_temp.begin();l_it!=Ck_temp.end();l_it++ )
if( Ck_temp[l_it->first] < minSup )
Ck_temp.erase(l_it);
}
//假设是大于2的情况，扫描k-1的频繁项子集
if( 2 < k )
{
//每次都循环获取每一个Ck的k-1子集元素
//如{I1,I2,I3}C3的子集是{I1,I2} {I2,I3} {I3,I4}
//假设Ck的子集不在k-1的频繁项子集中，则去掉该Ck项
for( map_s::iterator l_it=Ck_temp.begin();l_it!=Ck_temp.end();l_it++ )
{
int flag;
for( set<string>::iterator s_it=l_it->first.begin();s_it!=l_it->first.end();s_it++ )
{
//開始求子集
//首先把当前Ck项的集合保存
s_temp=l_it->first;
//去掉一个元素。即是它的k-1子集
s_temp.erase(*s_it);
//遍历频繁项集合L。看看是不是在频繁集中
flag=1;
for( int i=0;i<L.size();i++ )
{
//假设K-1子集在频繁项集中存在，则保留
if( 0 == compset(s_temp,L[i]) )
{
flag=0;
break;
}
}
//假设找到了哪怕一个k-1子集项不在频繁项集中。直接退出
if( flag ) break;
}
//仅仅有所有的k-1子集在频繁项集中。才保留该Ck项
if( flag ) Ck_temp.erase(l_it);
}
}
cout<<"由L"<<k-1<<"产生的候选集C"<<k<<" "<<"cout数(k=2以上不做计数)"<<endl;
for( map_s::iterator l_it=Ck_temp.begin();l_it!=Ck_temp.end();l_it++ )
{
for( set<string>::iterator s_it=l_it->first.begin();s_it!=l_it->first.end();s_it++ )
cout<<*s_it<<" ";
cout<<l_it->second<<endl;
}
return Ck_temp;
}
int main()
{
cout<<"请输入事务，第一行输入事务数。每行第一个值输入该事务的item数"<<endl;
//生成原始数据集
cin>>n;
for(int i=0;i<n;i++)
{
s.clear();
cin>>m;
for(int j=0;j<m;j++)
{
cin>>in;
s.insert(in);
data2.push_back(in);
}
data.push_back(s);
}
//扫描数据集D。生成C1
//对于每一个候选集里面的元素
for( int j=0; j<data2.size();j++ )
{
int flag=1;
//假设C1中存在该元素，计数值加1
for( map_s::iterator l_it=Ck.begin();l_it!=Ck.end();l_it++ )
{
if( (l_it->first).find(data2[j]) != (l_it->first).end() )
{
Ck[l_it->first]++;
flag=0;
break;
}
}
//不存在，插入到C1集合中
if(flag)
{
s.clear();
s.insert(data2[j]);
Ck.insert(pair<set<string>,int>(s,1));
}
}
//去掉支持度不足的
for( map_s::iterator l_it=Ck.begin();l_it!=Ck.end();l_it++ )
{
if( l_it->second< minSup)
Ck.erase(l_it);
}
cout<<"C1候选集:"<<endl;
cout<<"项集"<<" "<<"支持度计数"<<endl;
for( map_s::iterator l_it=Ck.begin();l_it!=Ck.end();l_it++ )
{
for( set<string>::iterator s_it=(l_it->first).begin(); s_it!=(l_it->first).end(); s_it++)
cout<<*s_it<<" "<<l_it->second<<endl;
}
int f_count=2;
while( f_count )
{
//将Ck内的k-1频繁集所有保存到L集中
for( map_s::iterator l_it=Ck.begin();l_it!=Ck.end();l_it++ )
L.push_back(l_it->first);
//获取Ck集，已清除掉小于支持度的候选集
Ck=apriori_gen(Ck,f_count);
if( Ck.empty() )
{
break;
}else{ f_count++; }
}
cout<<"终于的频繁集集合"<<endl;
for( int i=0; i<L.size(); i++ )
{
for( set<string>::iterator s_it=L[i].begin(); s_it!=L[i].end(); s_it++)
cout<<*s_it<<" ";
cout<<endl;
}
}
眼下仅仅实现到产生频繁集合，支持度默认计数2。在g++环境下编译 g++ -g Apriori.c -o apr
測试数据例如以下：
4
3 I1 I2 I6
4 I1 I2 I3 I5
3 I2 I3 I7
5 I1 I3 I5 I6 I2
输出例如以下：
用ORACLE格式化数据导出成文件，C++处理后返回文件给ORACLE，传到推荐数据库中就可以完毕这个算法的全流程。
当然眼下还仅仅是儿童玩具，由于全部的数据都是放在内存里的，数据量一大这个代码就不有用了。
C++牛逼的地方在于能够直接调用linux底层的接口处理这一类问题。比方当内存不足时数据存到磁盘。我们这边内存有几十G。订单总量不超过1G。所以这个代码应该够用了，不够用时能够再扩展
