数据挖掘-MovieLens数据集_电影推荐_亲和性分析_Aprioro算法

标签：reverse   file   word   查看   接下来   not   panda   alt   key   

1. #!/usr/bin/env python2  
2. # -*- coding: utf-8 -*-  
3. """ 
4. Created on Tue Feb  7 14:38:33 2017 
5.  
6. 电影推荐分析: 
7.     使用 亲和性分析方法 基于 Apriori算法 推荐电影 
8.  
9. @author: yingzhang 
10. """  
11.   
12. #读取数据集: http://grouplens.org/datasets/movielens/  
13. import os  
14. #使用pandas加载数据  
15. import pandas as pd  
16. ‘‘‘‘‘ 
17. 1m数据集读取方法 
18. ‘‘‘  
19. #data_folder=os.path.join( os.path.expanduser("~"),"ml-1m")  
20. #ratings_filename=os.path.join( data_folder,"ratings.dat")  
21. #all_ratings=pd.read_csv( ratings_filename, delimiter="::",header=None, names=["UserID","MovieID","Rating","Datetime"])  
22. ‘‘‘‘‘ 
23. 100k数据集读取方法 
24. ‘‘‘  
25. data_folder=os.path.join( os.path.expanduser("~"),"ml-100k")  
26. #获取用户评分数据  
27. ratings_filename=os.path.join( data_folder,"u.data")  
28. all_ratings=pd.read_csv( ratings_filename, delimiter="\t",header=None, names=["UserID","MovieID","Rating","Datetime"])  
29.   
30. all_ratings[:1]  
31. #输出的数据格式如下  
32. ‘‘‘‘‘ 
33.    UserID  MovieID  Rating   Datetime 
34. 0       1     1193       5  978300760 
35. ‘‘‘  
36. #时间格式要转换一下  
37. all_ratings["Datetime"]=pd.to_datetime(all_ratings["Datetime"],unit=‘s‘)  
38. all_ratings[:1]  
39.   
40. #新增一列，用来存用户对某个电影是否喜欢 ( 如果评分大于3)  
41. all_ratings["Favorable"]=all_ratings["Rating"]>3  
42. all_ratings[:10]  
43. #输出的数据格式如下: Favorable这一列的数据表明用户是否喜欢这部电影  
44. ‘‘‘‘‘ 
45.    UserID  MovieID  Rating            Datetime Favorable 
46. 0       1     1193       5 2000-12-31 22:12:40      True 
47. 1       1      661       3 2000-12-31 22:35:09     False 
48. ‘‘‘  
49. #从数据集中取前200名用户的打分数据作训练集  
50. ratings=all_ratings[  all_ratings[‘UserID‘].isin(range(200))]  
51. #过滤一次数据，只保留用户喜欢的电影(即 Favorable为True值的)  
52. favorable_ratings=ratings[ratings["Favorable"]]  
53. favorable_ratings[:5]  
54.   
55. #因为要生成频繁项集，所以我们只对打分超过一次的用户感兴趣，所以按照UserID分组，并遍历每个用户看过的每一部电影，存到一个字典中  
56. from collections import defaultdict  
57. favorable_reviews_by_users=dict((k,frozenset(v.values))   
58.                                 for k,v in favorable_ratings.groupby("UserID")["MovieID"])  
59. print("length: {0}".format( len(favorable_reviews_by_users) ) )  
60.   
61. #再创建一个数据框，存入每部电影评价分为3分以上的人数( 即 Favorable为True)的数量  
62. num_favorable_by_movie=ratings[["MovieID","Favorable"]].groupby("MovieID").sum()  
63. #查看结果  
64. num_favorable_by_movie  
65. #排序输出前五名  
66. num_favorable_by_movie.sort( "Favorable",ascending=False)[:5]  
67.   
68.   
69. #创建一个函数，它接收新发现的频繁项集，创建超集，检测频繁程度  
70. ‘‘‘‘‘ 
71. favorable_reviews_by_users: 用户打分情况的集合 
72. k_1_itemsets: 上一个频繁项集 
73. min_support:最小支持度 
74. 返回值格式: 
75.     dict( 频繁项集    支持度 ) 
76. ‘‘‘  
77. def find_frequent_itemsets( favorable_reviews_by_users, k_1_itemsets, min_support):  
78.     counts=defaultdict( int )  
79.     #循环用户和他们的打分数据  
80.     for user,reviews in favorable_reviews_by_users.items():  
81.         #再循环前一次找出的频繁项集,判断它们是否为 reviews的子集,  
82.         for itemset in k_1_itemsets:  
83.             if itemset.issubset( reviews):  #如果是，表明用户已经为子集中的电影打过分了  
84.                 #那么接下来，就要遍历用户打过分却没有出现在项集reviews中的电影了,因为这样可以用它来生成超集，更新该项集的计数  
85.                 for other_reviewed_movie in reviews-itemset: #other_reviewed_movie 用户打过分，但还不在频繁项集中  
86.                     current_superset=itemset|frozenset( (other_reviewed_movie,))  
87.                     counts[current_superset]+=1    #这个频繁项集的数量支持度+1  
88.     #函数最后检测达到支持度要求的项集，只返回频繁度够的频繁项集  
89.     return dict(  [(itemset,frequency) for itemset,frequency in counts.items()  if frequency>=min_support   ]           )              
90.                   
91. import sys  
92. #创建一个字典，存不同长度的频繁项集  
93. #数据格式:  
94.     #频繁项集长度   对应的频繁项集  
95. frequent_itemsets={}  
96. min_support=50   #要求的最小支持度  
97. #从频繁项集长度为1的开始,并且支持度要大于50  
98. frequent_itemsets[1]= dict((frozenset((movie_id,)),row["Favorable"]) for movie_id,row in num_favorable_by_movie.iterrows() if row["Favorable"]>min_support)  
99. #输出频繁集长度为1,支持度大于50的所有的电影信息  
100. frequent_itemsets[1]  
101. print("there are {0} movie with more than {1} favorable reviews".format( len(frequent_itemsets[1]), min_support))  
102. sys.stdout.flush()   #将缓冲区的内容输出到终端  
103.   
104. #定义要找的频繁集的最大长度  
105. max_length=20  
106. #循环频繁集长度从2到 max_length  
107. for k in range(2, max_length):  
108.     cur_frequent_itemsets=find_frequent_itemsets(  favorable_reviews_by_users,  frequent_itemsets[k-1], min_support   )  
109.     if len(cur_frequent_itemsets)==0:  
110.         print("can not find any frequent itemsets of length {0}".format( k ))  
111.         sys.stdout.flush()  
112.         break  
113.     else:  
114.         print(" find {0} frequent itemsets of length {1}".format(len(cur_frequent_itemsets), k))  
115.         print("\t data as following:")  
116.         #print( cur_frequent_itemsets )  
117.         sys.stdout.flush()  
118.         frequent_itemsets[k]=cur_frequent_itemsets  
119. # del itemsets of length 1  
120. #del frequent_itemsets[1]  
121.   
122. #######################################################################  
123. #以上Apriori算法结束后，得到了一系列的频繁项集，但它还不是关联规则。频繁项集是一组达到最小支持度的项目，而关联规则是由前提和结论组成  
124. #从频繁项集中抽取关联规则，把其中几部电影作为前提，另一部电影作为结论组成规则: 如果用户喜欢xx,yy,zz,那么他们也会喜欢ttt  
125. #遍历频繁项集，为每个项集生成规则  
126. candidate_rules=[]  
127. #itemset_length 频繁项集长度  
128. # itemset_counts :  (itemset,frequency)  
129. for itemset_length,itemset_counts in frequent_itemsets.items():  
130.     #取出itemset_counts中的每个键，{电影1,电影2,...}  
131.     for itemset in itemset_counts.keys():  
132.         #循环频繁项集中的每部电影，生成条件和结论  
133.         for conclusion in itemset:     
134.             premise=itemset-set((conclusion,))  
135.             candidate_rules.append((premise,conclusion))  
136. print("there are {0} candidate rules".format( len(candidate_rules)))  
137. #print("the rules as following:")  
138. #print( candidate_rules)  
139.               
140. #######################################################################  
141. #计算每条规则的置信度:   
142. #先用两个字典存规则应验, 规则不适用数量  
143. correct_counts=defaultdict(int)   #规则应验  
144. incorrect_counts=defaultdict(int)    #规则不适用  
145. #循环所有的用户及他们喜欢的电影  
146. for user, reviews in favorable_reviews_by_users.items():  
147.     #循环所有的规则  
148.     for candidate_rule in candidate_rules:  
149.         premise,conclusion=candidate_rule  
150.         #判断前提是否是 reviews中的一个子集， 并且结论也在 reviews中，说明这条规则应验，否则不适用  
151.         if premise.issubset(reviews):  
152.             if conclusion in reviews:  
153.                 correct_counts[candidate_rule]+=1  
154.             else:  
155.                 incorrect_counts[candidate_rule]+=1  
156. #计算置信度  
157. rule_confidence={candidate_rule: correct_counts[candidate_rule]/ float(correct_counts[candidate_rule]+incorrect_counts[candidate_rule]) for candidate_rule in candidate_rules}  
158. #设定最低置信度  
159. min_confidence=0.9  
160. #过滤掉小于最低置信度的规则  
161. rule_confidence={candidate_rule:  confidence for    candidate_rule,confidence in rule_confidence.items() if confidence>min_confidence}  
162. print( "the total of rules which bigger than min_confidence is {}".format( len(rule_confidence )) )  
163.                    
164. #排序输出前五条置信度最高的规则  
165. from operator import itemgetter  
166. sorted_confidence=sorted( rule_confidence.items(),key=itemgetter(1),reverse=True)  
167. for index in range(5):  
168.     print("Rule #{0}".format(index+1))  
169.     (premise,conclusion)=sorted_confidence[index][0]  
170.     print("Rule: if a person recommends {0} they will also recommend {1}".format( premise, conclusion))  
171.     print( " - Confidence: {0:.3f}".format( rule_confidence[(premise,conclusion)]))  
172.     print("")  
173.       
174. #######################################################################  
175. #加载电影的名字  
176. #100k数据集取法  
177. movie_name_filename=os.path.join( data_folder,"u.item")  
178. movie_name_data=pd.read_csv(movie_name_filename,delimiter="|",header=None,encoding="mac-roman")  
179. movie_name_data.columns=["MovieID", "Title", "Release Date", "Video Release", "IMDB", "<UNK>", "Action", "Adventure",  
180.                            "Animation", "Children‘s", "Comedy", "Crime", "Documentary", "Drama", "Fantasy", "Film-Noir",  
181.                            "Horror", "Musical", "Mystery", "Romance", "Sci-Fi", "Thriller", "War", "Western"]  
182. #定义一个查找电影名的函数  
183. def get_movie_name(movie_id):  
184.     title_object=movie_name_data[movie_name_data["MovieID"]==movie_id]["Title"]  
185.     title=title_object.values[0]  
186.     return title  
187. #测试这个函数  
188. get_movie_name(4)  
189.   
190. #重新排序输出前五条置信度最高的规则  
191. for index in range(5):  
192.     print("Rule #{0}".format(index+1))  
193.     (premise,conclusion)=sorted_confidence[index][0]  
194.     premise_names=",".join( get_movie_name(idx) for idx in premise  )  
195.     conclusion_name=get_movie_name( conclusion)  
196.     print("Rule: if a person recommends {0} they will also recommend {1}".format( premise_names, conclusion_name))  
197.     print( " - Confidence: {0:.3f}".format( rule_confidence[(premise,conclusion)]))  
198.     print("")  
199.   
200.   
201. #######################################################################  
202. #评估: 寻找最好的规则.   
203. #抽取所有没有用于训练的数据作为测试集, 训练集数据用了前200名用户的打分数据，测试集用其它的数据即可  
204. test_dataset=  all_ratings[~all_ratings[‘UserID‘].isin(range(200))]  
205. test_favorable_ratings=test_dataset[test_dataset["Favorable"]]  
206. test_favorable_reviews_by_users=dict((k,frozenset(v.values))   
207.                                 for k,v in test_favorable_ratings.groupby("UserID")["MovieID"])    
208. #计算规则应验的数量  
209. test_correct_counts=defaultdict(int)   #规则应验  
210. test_incorrect_counts=defaultdict(int)    #规则不适用  
211. #循环所有的用户及他们喜欢的电影  
212. for user, reviews in test_favorable_reviews_by_users.items():  
213.     #循环所有的规则  
214.     for candidate_rule in candidate_rules:  
215.         premise,conclusion=candidate_rule  
216.         #判断前提是否是 reviews中的一个子集， 并且结论也在 reviews中，说明这条规则应验，否则不适用  
217.         if premise.issubset(reviews):  
218.             if conclusion in reviews:  
219.                 test_correct_counts[candidate_rule]+=1  
220.             else:  
221.                 test_incorrect_counts[candidate_rule]+=1       
222.   
223. #计算置信度  
224. test_rule_confidence={candidate_rule: test_correct_counts[candidate_rule]/ float(test_correct_counts[candidate_rule]+test_incorrect_counts[candidate_rule]) for candidate_rule in candidate_rules}  
225. print( len(test_rule_confidence))  
226. #最后排序输出前五名  
227. sorted_test_confidence=sorted(  test_rule_confidence.items(),key=itemgetter(1),reverse=True )  
228. print( sorted_test_confidence[:5])  
229.   
230. #输出规则信息  
231. for index in range(10):  
232.     print("Rule #{0}".format(index+1))  
233.     (premise,conclusion)=sorted_confidence[index][0]  
234.     premise_names=",".join( get_movie_name(idx) for idx in premise  )  
235.     conclusion_name=get_movie_name( conclusion)  
236.     print("Rule: if a person recommends {0} they will also recommend {1}".format( premise_names, conclusion_name))  
237.     print( " - Train Confidence: {0:.3f}".format( rule_confidence[(premise,conclusion)]))  
238.     print( " - Test Confidence: {0:.3f}".format( test_rule_confidence[(premise,conclusion)]))  
239.     print("")  

数据挖掘-MovieLens数据集_电影推荐_亲和性分析_Aprioro算法

标签：reverse   file   word   查看   接下来   not   panda   alt   key   

原文地址：http://www.cnblogs.com/wanghuaijun/p/7089227.html