資料探勘-MovieLens資料集_電影推薦_親和性分析_Aprioro演算法
阿新 • • 發佈:2019-02-01
#!/usr/bin/env python2 # -*- coding: utf-8 -*- """ Created on Tue Feb 7 14:38:33 2017 電影推薦分析: 使用 親和性分析方法 基於 Apriori演算法 推薦電影 @author: yingzhang """ #讀取資料集: http://grouplens.org/datasets/movielens/ import os #使用pandas載入資料 import pandas as pd ''' 1m資料集讀取方法 ''' #data_folder=os.path.join( os.path.expanduser("~"),"ml-1m") #ratings_filename=os.path.join( data_folder,"ratings.dat") #all_ratings=pd.read_csv( ratings_filename, delimiter="::",header=None, names=["UserID","MovieID","Rating","Datetime"]) ''' 100k資料集讀取方法 ''' data_folder=os.path.join( os.path.expanduser("~"),"ml-100k") #獲取使用者評分資料 ratings_filename=os.path.join( data_folder,"u.data") all_ratings=pd.read_csv( ratings_filename, delimiter="\t",header=None, names=["UserID","MovieID","Rating","Datetime"]) all_ratings[:1] #輸出的資料格式如下 ''' UserID MovieID Rating Datetime 0 1 1193 5 978300760 ''' #時間格式要轉換一下 all_ratings["Datetime"]=pd.to_datetime(all_ratings["Datetime"],unit='s') all_ratings[:1] #新增一列,用來存使用者對某個電影是否喜歡 ( 如果評分大於3) all_ratings["Favorable"]=all_ratings["Rating"]>3 all_ratings[:10] #輸出的資料格式如下: Favorable這一列的資料表明使用者是否喜歡這部電影 ''' UserID MovieID Rating Datetime Favorable 0 1 1193 5 2000-12-31 22:12:40 True 1 1 661 3 2000-12-31 22:35:09 False ''' #從資料集中取前200名使用者的打分資料作訓練集 ratings=all_ratings[ all_ratings['UserID'].isin(range(200))] #過濾一次資料,只保留使用者喜歡的電影(即 Favorable為True值的) favorable_ratings=ratings[ratings["Favorable"]] favorable_ratings[:5] #因為要生成頻繁項集,所以我們只對打分超過一次的使用者感興趣,所以按照UserID分組,並遍歷每個使用者看過的每一部電影,存到一個字典中 from collections import defaultdict favorable_reviews_by_users=dict((k,frozenset(v.values)) for k,v in favorable_ratings.groupby("UserID")["MovieID"]) print("length: {0}".format( len(favorable_reviews_by_users) ) ) #再建立一個數據框,存入每部電影評價分為3分以上的人數( 即 Favorable為True)的數量 num_favorable_by_movie=ratings[["MovieID","Favorable"]].groupby("MovieID").sum() #檢視結果 num_favorable_by_movie #排序輸出前五名 num_favorable_by_movie.sort( "Favorable",ascending=False)[:5] #建立一個函式,它接收新發現的頻繁項集,建立超集,檢測頻繁程度 ''' favorable_reviews_by_users: 使用者打分情況的集合 k_1_itemsets: 上一個頻繁項集 min_support:最小支援度 返回值格式: dict( 頻繁項集 支援度 ) ''' def find_frequent_itemsets( favorable_reviews_by_users, k_1_itemsets, min_support): counts=defaultdict( int ) #迴圈使用者和他們的打分資料 for user,reviews in favorable_reviews_by_users.items(): #再迴圈前一次找出的頻繁項集,判斷它們是否為 reviews的子集, for itemset in k_1_itemsets: if itemset.issubset( reviews): #如果是,表明使用者已經為子集中的電影打過分了 #那麼接下來,就要遍歷使用者打過分卻沒有出現在項集reviews中的電影了,因為這樣可以用它來生成超集,更新該項集的計數 for other_reviewed_movie in reviews-itemset: #other_reviewed_movie 使用者打過分,但還不在頻繁項集中 current_superset=itemset|frozenset( (other_reviewed_movie,)) counts[current_superset]+=1 #這個頻繁項集的數量支援度+1 #函式最後檢測達到支援度要求的項集,只返回頻繁度夠的頻繁項集 return dict( [(itemset,frequency) for itemset,frequency in counts.items() if frequency>=min_support ] ) import sys #建立一個字典,存不同長度的頻繁項集 #資料格式: #頻繁項集長度 對應的頻繁項集 frequent_itemsets={} min_support=50 #要求的最小支援度 #從頻繁項集長度為1的開始,並且支援度要大於50 frequent_itemsets[1]= dict((frozenset((movie_id,)),row["Favorable"]) for movie_id,row in num_favorable_by_movie.iterrows() if row["Favorable"]>min_support) #輸出頻繁集長度為1,支援度大於50的所有的電影資訊 frequent_itemsets[1] print("there are {0} movie with more than {1} favorable reviews".format( len(frequent_itemsets[1]), min_support)) sys.stdout.flush() #將緩衝區的內容輸出到終端 #定義要找的頻繁集的最大長度 max_length=20 #迴圈頻繁集長度從2到 max_length for k in range(2, max_length): cur_frequent_itemsets=find_frequent_itemsets( favorable_reviews_by_users, frequent_itemsets[k-1], min_support ) if len(cur_frequent_itemsets)==0: print("can not find any frequent itemsets of length {0}".format( k )) sys.stdout.flush() break else: print(" find {0} frequent itemsets of length {1}".format(len(cur_frequent_itemsets), k)) print("\t data as following:") #print( cur_frequent_itemsets ) sys.stdout.flush() frequent_itemsets[k]=cur_frequent_itemsets # del itemsets of length 1 #del frequent_itemsets[1] ####################################################################### #以上Apriori演算法結束後,得到了一系列的頻繁項集,但它還不是關聯規則。頻繁項集是一組達到最小支援度的專案,而關聯規則是由前提和結論組成 #從頻繁項集中抽取關聯規則,把其中幾部電影作為前提,另一部電影作為結論組成規則: 如果使用者喜歡xx,yy,zz,那麼他們也會喜歡ttt #遍歷頻繁項集,為每個項集生成規則 candidate_rules=[] #itemset_length 頻繁項集長度 # itemset_counts : (itemset,frequency) for itemset_length,itemset_counts in frequent_itemsets.items(): #取出itemset_counts中的每個鍵,{電影1,電影2,...} for itemset in itemset_counts.keys(): #迴圈頻繁項集中的每部電影,生成條件和結論 for conclusion in itemset: premise=itemset-set((conclusion,)) candidate_rules.append((premise,conclusion)) print("there are {0} candidate rules".format( len(candidate_rules))) #print("the rules as following:") #print( candidate_rules) ####################################################################### #計算每條規則的置信度: #先用兩個字典存規則應驗, 規則不適用數量 correct_counts=defaultdict(int) #規則應驗 incorrect_counts=defaultdict(int) #規則不適用 #迴圈所有的使用者及他們喜歡的電影 for user, reviews in favorable_reviews_by_users.items(): #迴圈所有的規則 for candidate_rule in candidate_rules: premise,conclusion=candidate_rule #判斷前提是否是 reviews中的一個子集, 並且結論也在 reviews中,說明這條規則應驗,否則不適用 if premise.issubset(reviews): if conclusion in reviews: correct_counts[candidate_rule]+=1 else: incorrect_counts[candidate_rule]+=1 #計算置信度 rule_confidence={candidate_rule: correct_counts[candidate_rule]/ float(correct_counts[candidate_rule]+incorrect_counts[candidate_rule]) for candidate_rule in candidate_rules} #設定最低置信度 min_confidence=0.9 #過濾掉小於最低置信度的規則 rule_confidence={candidate_rule: confidence for candidate_rule,confidence in rule_confidence.items() if confidence>min_confidence} print( "the total of rules which bigger than min_confidence is {}".format( len(rule_confidence )) ) #排序輸出前五條置信度最高的規則 from operator import itemgetter sorted_confidence=sorted( rule_confidence.items(),key=itemgetter(1),reverse=True) for index in range(5): print("Rule #{0}".format(index+1)) (premise,conclusion)=sorted_confidence[index][0] print("Rule: if a person recommends {0} they will also recommend {1}".format( premise, conclusion)) print( " - Confidence: {0:.3f}".format( rule_confidence[(premise,conclusion)])) print("") ####################################################################### #載入電影的名字 #100k資料集取法 movie_name_filename=os.path.join( data_folder,"u.item") movie_name_data=pd.read_csv(movie_name_filename,delimiter="|",header=None,encoding="mac-roman") movie_name_data.columns=["MovieID", "Title", "Release Date", "Video Release", "IMDB", "<UNK>", "Action", "Adventure", "Animation", "Children's", "Comedy", "Crime", "Documentary", "Drama", "Fantasy", "Film-Noir", "Horror", "Musical", "Mystery", "Romance", "Sci-Fi", "Thriller", "War", "Western"] #定義一個查詢電影名的函式 def get_movie_name(movie_id): title_object=movie_name_data[movie_name_data["MovieID"]==movie_id]["Title"] title=title_object.values[0] return title #測試這個函式 get_movie_name(4) #重新排序輸出前五條置信度最高的規則 for index in range(5): print("Rule #{0}".format(index+1)) (premise,conclusion)=sorted_confidence[index][0] premise_names=",".join( get_movie_name(idx) for idx in premise ) conclusion_name=get_movie_name( conclusion) print("Rule: if a person recommends {0} they will also recommend {1}".format( premise_names, conclusion_name)) print( " - Confidence: {0:.3f}".format( rule_confidence[(premise,conclusion)])) print("") ####################################################################### #評估: 尋找最好的規則. #抽取所有沒有用於訓練的資料作為測試集, 訓練集資料用了前200名使用者的打分資料,測試集用其它的資料即可 test_dataset= all_ratings[~all_ratings['UserID'].isin(range(200))] test_favorable_ratings=test_dataset[test_dataset["Favorable"]] test_favorable_reviews_by_users=dict((k,frozenset(v.values)) for k,v in test_favorable_ratings.groupby("UserID")["MovieID"]) #計算規則應驗的數量 test_correct_counts=defaultdict(int) #規則應驗 test_incorrect_counts=defaultdict(int) #規則不適用 #迴圈所有的使用者及他們喜歡的電影 for user, reviews in test_favorable_reviews_by_users.items(): #迴圈所有的規則 for candidate_rule in candidate_rules: premise,conclusion=candidate_rule #判斷前提是否是 reviews中的一個子集, 並且結論也在 reviews中,說明這條規則應驗,否則不適用 if premise.issubset(reviews): if conclusion in reviews: test_correct_counts[candidate_rule]+=1 else: test_incorrect_counts[candidate_rule]+=1 #計算置信度 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} print( len(test_rule_confidence)) #最後排序輸出前五名 sorted_test_confidence=sorted( test_rule_confidence.items(),key=itemgetter(1),reverse=True ) print( sorted_test_confidence[:5]) #輸出規則資訊 for index in range(10): print("Rule #{0}".format(index+1)) (premise,conclusion)=sorted_confidence[index][0] premise_names=",".join( get_movie_name(idx) for idx in premise ) conclusion_name=get_movie_name( conclusion) print("Rule: if a person recommends {0} they will also recommend {1}".format( premise_names, conclusion_name)) print( " - Train Confidence: {0:.3f}".format( rule_confidence[(premise,conclusion)])) print( " - Test Confidence: {0:.3f}".format( test_rule_confidence[(premise,conclusion)])) print("")