《Python數據分析與挖掘實戰》這本書槽點慢慢，代碼不全、錯誤、......此類種種。
文章思路還是有點意思的，稍微折騰、補充練習一下，在此分享一下，希望不吝賜教呢~
1 # -*- coding: utf-8 -*- 2 """ 3 Created on Tue Aug 7 20:13:46 2018 4 5 @author: Luove 6 """ 7 8 import pandas as pd 9 import numpy as np 10 from sklearn.cluster import KMeans 11 import matplotlib.pyplot as plt 12 from datetime import date 13 # from apriori import * 14 import time # 計算耗時 15 import os 16 17 os.chdir('D:/Analyze/Python Matlab/Python/BookCodes/Python數據分析與挖掘實戰/圖書配套數據、代碼/chapter8/demo/code') 18 19 input = '../data/data.xls' 20 data = pd.read_excel(input) 21 22 # from __future__ import print_function 23 typelabel = {u'肝氣郁結證型系數': 'A', u'熱毒蘊結證型系數': 'B', u'沖任失調證型系數': 'C', u'氣血兩虛證型系數': 'D', u'脾胃虛弱證型系數': 'E', u'肝腎陰虛證型系數': 'F'} 24 k = 4 25 26 keys = list(typelabel.keys()) 27 values = list(typelabel.values()) 28 result = pd.DataFrame() 29 30 # if __name__ == '__main__': #作為模塊導入不運行此代碼塊，作為函數運行則運行代碼塊（此時__name__等於__main__） 31 for i in range(len(keys)): 32 print(u'Hi~Man 我正在進行 "%s"的聚類...' % keys[i]) 33 kmodel = KMeans(n_clusters=k, n_jobs=4) 34 kmodel.fit(data[[keys[i]]].as_matrix()) 35 # r1=pd.DataFrame(kmodel.cluster_centers_,columns=[typelabel[keys[i]]]) 36 r1 = pd.DataFrame(kmodel.cluster_centers_, columns=[values[i]]) # 聚類中心 37 r2 = pd.Series(kmodel.labels_).value_counts() # 各類含樣本量 38 r2 = pd.DataFrame(r2, columns=[values[i] + 'n']) # 轉DataFrame 且修改列名 39 r = pd.concat([r1, r2], axis=1).sort_values(values[i]) 40 r.index = [1, 2, 3, 4] 41 r[values[i]] = r[values[i]].rolling(2).mean() # 滾動計算兩個聚類中心均值 42 r[values[i]][1] = 0.0 # 將第一個空位補上0 43 result = result.append(r.T) 44 result = result.sort_index() 45 46 data_ = data[[keys[i] for i in range(len(keys))]] # 提取要建模的各證型 47 # 選擇去掉 r2，方便處理 48 # result_=result[0:len(result):2] 49 # result_count=result[1:len(result):2] 50 result_ = result.iloc[::2, :] 51 result_count = result.iloc[1::2, :] 52 # data_.iloc[:,1] 53 54 55 # 聚類結果 指標值A1、A2、。。。 56 strabc = pd.DataFrame() 57 for i in range(len(keys)): 58 strabcd = [values[i] + '%s' % (j + 1) for j in range(k)] 59 strabcd = pd.DataFrame(strabcd, columns=[values[i]]) # columns=[values[i]],columns須是list，要轉化加[],[values[]] 60 strabc = strabc.append(strabcd.T) 61 ''' strabc 62 0 1 2 3 63 A A1 A2 A3 A4 64 B B1 B2 B3 B4 65 C C1 C2 C3 C4 66 D D1 D2 D3 D4 67 E E1 E2 E3 E4 68 F F1 F2 F3 F4 69 ''' 70 ''' result_ 71 1 2 3 4 72 A 0.0 0.167995 0.246969 0.339837 73 B 0.0 0.153543 0.298217 0.489954 74 C 0.0 0.202149 0.289061 0.423537 75 D 0.0 0.172049 0.251583 0.359353 76 E 0.0 0.153398 0.258200 0.376062 77 F 0.0 0.179143 0.261386 0.354643 78 ''' 79 # 將數值轉化為類別指標,用到的數據 80 data_.shape # (930, 6) 81 result_.shape # (6, 4) 82 strabc.shape # (6, 4) 83 len(keys) # 6 84 85 # 轉換值到指標,為避免潛在錯誤，新建一個的DataFrame接收轉換后的指標矩陣 86 # data_new=pd.DataFrame(columns=[keys[i]+'new' for i in range(data_.shape[1])]) 87 data_new = pd.DataFrame() 88 # i=0,1,2,3,4,5,6個，從result_行取比較值，和data_/data列值比較，確定值在strabc中找 89 # j=0,1,2,3，4個，A類中比較時result_行固定i 90 for i in range(len(result_)): 91 index1 = data[keys[i]] < result_.iloc[i, 1] 92 index2 = (result_.iloc[i, 1] < data[keys[i]]) & (data[keys[i]] < result_.iloc[i, 2]) 93 index3 = (result_.iloc[i, 2] < data[keys[i]]) & (data[keys[i]] < result_.iloc[i, 3]) 94 index4 = result_.iloc[i, 3] < data[keys[i]] 95 # index0=pd.DataFrame() 96 97 # len(index1) 98 data_n = index1.copy() # 僅為生成data_n 99 data_n[index1 == True] = strabc.iloc[i, 0] 100 data_n[index2 == True] = strabc.iloc[i, 1] 101 data_n[index3 == True] = strabc.iloc[i, 2] 102 data_n[index4 == True] = strabc.iloc[i, 3] 103 # set(data_new) 104 data_new = pd.concat([data_new, data_n], axis=1) 105 ''' 106 更好的實現划分方法 107 pd.cut 108 ''' 109 # data_.iloc[:,data_.shape[1]-1] #最后一列 110 # data_['n']=0 111 # del(data_['n'])#刪去列名為'n'的列 112 # del(data_[data_.columns[data_.shape[1]-1]])#刪去最后一列 113 114 # 至此，由值轉指標類別工作完畢，下面開始建模apriori 115 data_new.head(5) 116 117 data_model = pd.concat([data_new, data['TNM分期']], axis=1) 118 119 start = time.clock() 120 print(u'\n轉換原始矩陣至0-1矩陣...') 121 ''' 122 b是ct函數作用到data_model.as_matrix() (930, 7) 矩陣的結果 123 按行展開排成一序列，作為新建Series的index 對應values為1 124 ct函數就是將x按行排成序列作為index 將x值作為index 125 126 ''' 127 ct = lambda x: pd.Series(1, index=x[pd.notnull(x)]) 128 b = map(ct, data_model.as_matrix()) # 依次作用於matrix的每行 129 c = list(b) # 必須轉成可迭代的list 130 # len(c) #930 131 # len(c[0]) #7 132 data_model_ = pd.DataFrame(c).fillna(0) # 將c list轉化為 DataFrame，所有list的index作為列，每行對應index對應值是對應list[i] 133 # DataFrame 每行對應原一條記錄中各證型的出現與否，是就是1，否為0 134 type(data_model_) 135 data_model_.shape # (930, 28) 136 # 每行是個事務集 137 end = time.clock() 138 print(u'\n耗時%0.2f ' % (end - start)) 139 # del b 140 141 142 support = 0.06 143 confidence = 0.75 144 ms = '--' 145 start = time.clock() 146 print(u'\n開始搜索關聯規則...') 147 148 149 # 自定義連接函數，用於實現L_{k-1}到C_k的連接 150 def connect_string(x, ms): 151 x = list(map(lambda i: sorted(i.split(ms)), x)) 152 l = len(x[0]) 153 r = [] 154 # 生成二項集 155 for i in range(len(x)): 156 for j in range(i, len(x)): 157 # if x[i][l-1] != x[j][l-1]: 158 if x[i][:l - 1] == x[j][:l - 1] and x[i][l - 1] != x[j][ 159 l - 1]: # 判斷數字和字母異同，初次取字母數字不全相同（即不同症狀（字母），或同一證型程度不同（數字）） 160 r.append(x[i][:l - 1] + sorted([x[j][l - 1], x[i][l - 1]])) 161 return r 162 163 164 # 尋找關聯規則的函數 165 def find_rule(d, support, confidence, ms=u'--'): 166 result = pd.DataFrame(index=['support', 'confidence']) # 定義輸出結果 167 168 support_series = 1.0 * d.sum() / len(d) # 支持度序列 169 column = list(support_series[support_series > support].index) # 初步根據支持度篩選,符合條件支持度，共 276個index證型 170 k = 0 171 172 while len(column) > 1: # 隨着項集元素增多 可計算的column（滿足條件支持度的index）會被窮盡，隨着證型增多，之間的關系會越來越不明顯，（同時發生可能性是小概率了） 173 k = k + 1 174 print(u'\n正在進行第%s次搜索...' % k) 175 column = connect_string(column, ms) 176 print(u'數目：%s...' % len(column)) 177 sf = lambda i: d[i].prod(axis=1, numeric_only=True) # 新一批支持度的計算函數 178 len(d) 179 # 創建連接數據，這一步耗時、耗內存最嚴重。當數據集較大時，可以考慮並行運算優化。 180 # 依次對column每個元素（如[['A1', 'A2'], ['A1', 'A3']]中的['A1', 'A2']）運算，計算data_model_中對應該行的乘積，930個，若['A1', 'A2']二者同時發生為1則此行積為1 181 d_2 = pd.DataFrame(list(map(sf, column)), 182 index=[ms.join(i) for i in column]).T # list(map(sf,column)) 276X930 index 276 183 184 support_series_2 = 1.0 * d_2[[ms.join(i) for i in column]].sum() / len(d) # 計算連接后的支持度 185 column = list(support_series_2[support_series_2 > support].index) # 新一輪支持度篩選 186 support_series = support_series.append(support_series_2) 187 column2 = [] 188 189 for i in column: # 遍歷可能的推理，如{A,B,C}究竟是A+B-->C還是B+C-->A還是C+A-->B？ 190 i = i.split(ms) # 由'A1--B1' 轉化為 ['A1', 'B1'] 191 for j in range(len(i)): # 192 column2.append(i[:j] + i[j + 1:] + i[j:j + 1]) 193 194 cofidence_series = pd.Series(index=[ms.join(i) for i in column2]) # 定義置信度序列 195 196 for i in column2: # 計算置信度序列 如i為['B1', 'A1'] 197 # i置信度計算：i的支持度除以第一個證型的支持度，表示第一個發生第二個發生的概率 198 cofidence_series[ms.join(i)] = support_series[ms.join(sorted(i))] / support_series[ms.join(i[:len(i) - 1])] 199 200 for i in cofidence_series[cofidence_series > confidence].index: # 置信度篩選 201 result[i] = 0.0 # B1--A1 0.330409 A1--B1 0.470833,絕大部分是要剔除掉的，初次全剔除 202 result[i]['confidence'] = cofidence_series[i] 203 result[i]['support'] = support_series[ms.join(sorted(i.split(ms)))] 204 205 result = result.T.sort_values(by=['confidence', 'support'], 206 ascending=False) # 結果整理，輸出,先按confidence升序，再在confidence內部按support升序，默認升序，此處降序 207 208 209 '''舉個虛假的例子 210 F2--H2 211 support 0 212 confidence 0 213 轉化為 214 support confidence 215 F2--H2 0 0 216 ''' 217 218 print(u'\n結果為：') 219 print(result) 220 221 return result 222 223 find_rule(data_model_, support, confidence, ms) 224 end = time.clock() 225 print(u'\搜索完畢，耗時%0.2f秒' % (end - start))
REF：在源代碼基礎上，合並補充，主要供了解函數用。
源代碼及數據需要可自取：https://github.com/Luove/Data