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

[python] view plain copy

 print?

#!/usr/bin/env python2
# -*- coding: utf-8 -*-
"""
Created on Tue Feb  7 14:38:33 2017

电影推荐分析:
    使用 亲和性分析方法 基于 Apriori算法 推荐电影

@author: yingzhang
"""

#读取数据集: http://grouplens.org/datasets/movielens/
import os
#使用pandas加载数据
import pandas as pd
'''''
1m数据集读取方法
'''
#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数据集读取方法
'''
data_folder=os.path.join( os.path.expanduser("~"),"ml-100k")
#获取用户评分数据
ratings_filename=os.path.join( data_folder,"u.data")
all_ratings=pd.read_csv( ratings_filename, delimiter="	",header=None, names=["UserID","MovieID","Rating","Datetime"])

all_ratings[:1]
#输出的数据格式如下
'''''
   UserID  MovieID  Rating   Datetime
0       1     1193       5  978300760
'''
#时间格式要转换一下
all_ratings["Datetime"]=pd.to_datetime(all_ratings["Datetime"],unit='s')
all_ratings[:1]

#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)
all_ratings["Favorable"]=all_ratings["Rating"]>3
all_ratings[:10]
#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
'''''
   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
'''
#从数据集中取前200名用户的打分数据作训练集
ratings=all_ratings[  all_ratings['UserID'].isin(range(200))]
#过滤一次数据，只保留用户喜欢的电影(即 Favorable为True值的)
favorable_ratings=ratings[ratings["Favorable"]]
favorable_ratings[:5]

#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
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
num_favorable_by_movie=ratings[["MovieID","Favorable"]].groupby("MovieID").sum()
#查看结果
num_favorable_by_movie
#排序输出前五名
num_favorable_by_movie.sort( "Favorable",ascending=False)[:5]


#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
'''''
favorable_reviews_by_users: 用户打分情况的集合
k_1_itemsets: 上一个频繁项集
min_support:最小支持度
返回值格式:
    dict( 频繁项集    支持度 )
'''
def find_frequent_itemsets( favorable_reviews_by_users, k_1_itemsets, min_support):
    counts=defaultdict( int )
    #循环用户和他们的打分数据
    for user,reviews in favorable_reviews_by_users.items():
        #再循环前一次找出的频繁项集,判断它们是否为 reviews的子集,
        for itemset in k_1_itemsets:
            if itemset.issubset( reviews):  #如果是，表明用户已经为子集中的电影打过分了
                #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
                for other_reviewed_movie in reviews-itemset: #other_reviewed_movie 用户打过分，但还不在频繁项集中
                    current_superset=itemset|frozenset( (other_reviewed_movie,))
                    counts[current_superset]+=1    #这个频繁项集的数量支持度+1
    #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
    return dict(  [(itemset,frequency) for itemset,frequency in counts.items()  if frequency>=min_support   ]           )

import sys
#创建一个字典，存不同长度的频繁项集
#数据格式:
    #频繁项集长度   对应的频繁项集
frequent_itemsets={}
min_support=50   #要求的最小支持度
#从频繁项集长度为1的开始,并且支持度要大于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)
#输出频繁集长度为1,支持度大于50的所有的电影信息
frequent_itemsets[1]
print("there are {0} movie with more than {1} favorable reviews".format( len(frequent_itemsets[1]), min_support))
sys.stdout.flush()   #将缓冲区的内容输出到终端

#定义要找的频繁集的最大长度
max_length=20
#循环频繁集长度从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("	 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
#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
#遍历频繁项集，为每个项集生成规则
candidate_rules=[]
#itemset_length 频繁项集长度
# itemset_counts :  (itemset,frequency)
for itemset_length,itemset_counts in frequent_itemsets.items():
    #取出itemset_counts中的每个键，{电影1,电影2,...}
    for itemset in itemset_counts.keys():
        #循环频繁项集中的每部电影，生成条件和结论
        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)

#######################################################################
#计算每条规则的置信度:
#先用两个字典存规则应验, 规则不适用数量
correct_counts=defaultdict(int)   #规则应验
incorrect_counts=defaultdict(int)    #规则不适用
#循环所有的用户及他们喜欢的电影
for user, reviews in favorable_reviews_by_users.items():
    #循环所有的规则
    for candidate_rule in candidate_rules:
        premise,conclusion=candidate_rule
        #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
        if premise.issubset(reviews):
            if conclusion in reviews:
                correct_counts[candidate_rule]+=1
            else:
                incorrect_counts[candidate_rule]+=1
#计算置信度
rule_confidence={candidate_rule: correct_counts[candidate_rule]/ float(correct_counts[candidate_rule]+incorrect_counts[candidate_rule]) for candidate_rule in candidate_rules}
#设定最低置信度
min_confidence=0.9
#过滤掉小于最低置信度的规则
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 )) )

#排序输出前五条置信度最高的规则
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("")

#######################################################################
#加载电影的名字
#100k数据集取法
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"]
#定义一个查找电影名的函数
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
#测试这个函数
get_movie_name(4)

#重新排序输出前五条置信度最高的规则
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("")


#######################################################################
#评估: 寻找最好的规则.
#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
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"])
#计算规则应验的数量
test_correct_counts=defaultdict(int)   #规则应验
test_incorrect_counts=defaultdict(int)    #规则不适用
#循环所有的用户及他们喜欢的电影
for user, reviews in test_favorable_reviews_by_users.items():
    #循环所有的规则
    for candidate_rule in candidate_rules:
        premise,conclusion=candidate_rule
        #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
        if premise.issubset(reviews):
            if conclusion in reviews:
                test_correct_counts[candidate_rule]+=1
            else:
                test_incorrect_counts[candidate_rule]+=1

#计算置信度
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))
#最后排序输出前五名
sorted_test_confidence=sorted(  test_rule_confidence.items(),key=itemgetter(1),reverse=True )
print( sorted_test_confidence[:5])

#输出规则信息
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("")