关联规则支持度(support)置信度(confidence)并运用Spark RDD计算

Posted 小帆的帆

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了关联规则支持度(support)置信度(confidence)并运用Spark RDD计算相关的知识,希望对你有一定的参考价值。

转载请标明出处:小帆的帆的专栏

例子:
总共有10000个消费者购买了商品,
其中购买尿布的有1000人,
购买啤酒的有2000人,
购买面包的有500人,
同时购买尿布和啤酒的有800人,
同时购买尿布的面包的有100人。

关联规则

关联规则:用于表示数据内隐含的关联性,例如:购买尿布的人往往会购买啤酒。

支持度(support)

支持度:X, Y同时出现的概率,例如:尿布,啤酒同时出现的概率

s u p p o r t = 同 时 购 买 X , Y 的 人 数 总 人 数 support = 同时购买\\X, Y\\的人数 \\over 总人数 support=X,Y

尿布,啤酒的支持度 = 800 / 10000 = 0.08
尿布,面包的支持度 = 100 / 10000 = 0.01

注意:尿布,啤酒的支持度等于啤酒,尿布的支持度,支持度没有先后顺序之分

置信度(confidence)

置信度:购买X的人,同时购买Y的概率,例如:购买尿布的人,同时购买啤酒的概率,而这个概率就是购买尿布时购买啤酒的置信度

c o n f i d e n c e ( X − > Y ) = 同 时 购 买 X , Y 的 人 数 购 买 X 的 人 数 confidence(X -> Y) = 同时购买\\X, Y\\的人数 \\over 购买X的人数 confidenceX>Y=XX,Y

c o n f i d e n c e ( Y − > X ) = 同 时 购 买 X , Y 的 人 数 购 买 Y 的 人 数 confidence(Y -> X) = 同时购买\\X, Y\\的人数 \\over 购买Y的人数 confidenceY>X=YX,Y

( 尿布 -> 啤酒 ) 的置信度 = 800 / 1000 = 0.8
( 啤酒 -> 尿布 ) 的置信度 = 800 / 2000 = 0.4

Spark计算支持度和置信度

import org.apache.spark.sql.SQLContext
import org.apache.spark.SparkConf, SparkContext

object Test 
  def main(args: Array[String]) 
    val conf = new SparkConf().setAppName("Test").setMaster("local")
    val sc = new SparkContext(conf)
    val sqlContext = new SQLContext(sc)

    // 测试数据, 为方便分析问题
    // 左边一列是用户,有三个用户a,b,c
    // 右边一列是公司,表示用户喜欢的公司
    val testData = Array(
      ("a", "google"),
      ("a", "apple"),
      ("a", "mi"),
      ("b", "google"),
      ("b", "apple"),
      ("c", "google")
    )
    val data = sc.parallelize(testData)

    // 最终我们要构造出这样的结果:公司A、公司B、支持度、A->B的置信度、B->A的置信度
    // 要求支持度和置信度就需要三个值,喜欢A公司的人数,喜欢B公司的人数,同时喜欢A和B公司的人数
    // 我们先求前两个
    val companyCountRDD = data.map(a => (a._2, 1)).reduceByKey(_ + _)

    /**
      * (mi,1)
      * (google,3)
      * (apple,2)
      */
    companyCountRDD.collect().foreach(println)

    // 要计算同时喜欢A和B公司的人数,要先知道A,B所有可能的组合
    // 比如:1, 2, 3,;所有可能的组合就是(1,2),(1,3),(2,3)
    // 这里我们简单的用cartesian算子实现
    // cartesian算子会得到这样的结果:
    // (1,1),(1,2),(1,3),
    // (2,1),(2,2),(2,3),
    // (3,1),(3,2),(3,3)
    // 然后filter算子,只保留左边大于右边的结果,这样能过滤掉相等的结果,如(1,1),还有重复的结果,如(2,1),因为我们已经有(1,2)了
    val cartesianRDD = companyCountRDD.cartesian(companyCountRDD).filter(tuple => tuple._1._1 > tuple._2._1).map(t => ((t._1._1, t._2._1), (t._1._2, t._2._2)))

    // 这样我们不但得到了A和B的所有组合,还顺带聚合了计算用的到的数据
    /** 公司A、公司B、喜欢A公司的人数、喜欢B公司的人数
      * ((mi,google),(1,3))
      * ((mi,apple),(1,2))
      * ((google,apple),(3,2))
      */
    cartesianRDD.collect().foreach(println)

    // 下面开始计算,同时喜欢A和B公司的人数
    // 比如a这个人,它喜欢google,apple,mi; 那么就是同时喜欢(mi,google),(mi,apple),(google,apple)
    // 所以我们先要将数据转换成(a, (google,apple,mi))
    // 这个时候用户就没用了,我们只需要知道公司的组合
    // 因此转换成(mi,google),(mi,apple),(google,apple)
    // 最后用flatMap将结果打散,再计数
    val userCompaniesRDD = data.groupByKey().cache()
    val meanwhileRDD = userCompaniesRDD.map(_._2)
      // 这里采用了类似cartesian的做法计算所有的组合,然后过滤掉不需要的
      .flatMap(iter => iter.flatMap(i => iter.map(j => (i, j))).filter(tuple => tuple._1 > tuple._2))
      .map(tuple => (tuple, 1))
      .reduceByKey(_ + _)
    // 计算用户总数,后面会用到
    val userNum = userCompaniesRDD.count()

    /** 公司A、公司B、同时喜欢A和B公司的人数
      * ((mi,apple),1)
      * ((mi,google),1)
      * ((google,apple),2)
      */
    meanwhileRDD.collect().foreach(println)

    val calRDD = cartesianRDD.join(meanwhileRDD)

    /** 公司A、公司B、喜欢A公司的人数,喜欢B公司的人数,同时喜欢A和B公司的人数
      * ((mi,apple),((1,2),1))
      * ((mi,google),((1,3),1))
      * ((google,apple),((3,2),2))
      */
    calRDD.collect.foreach(println)

    // 计算结果
    val resultRDD = calRDD.map(t => 
      val aCompany = t._1._1
      val bCompany = t._1._2
      val aCount = t._2._1._1
      val bCount = t._2._1._2
      val aAndbCount = t._2._2 * 1.0
      // 公司A、公司B、支持度、A->B的置信度、B->A的置信度
      (aCompany, bCompany, aAndbCount / userNum, aAndbCount / aCount, aAndbCount / bCount)
    )

    /**
      * (mi,apple,0.3333333333333333,1.0,0.5)
      * (mi,google,0.3333333333333333,1.0,0.3333333333333333)
      * (google,apple,0.6666666666666666,0.6666666666666666,1.0)
      */
    resultRDD.collect.foreach(println)

    // 最后可以过滤掉数值太低的
    // 支持度的阈值是1%,置信度阈值50%
    val support = 0.01
    val confidence = 0.5
    resultRDD.filter(a => a._3 > support && a._4 > confidence && a._5 > confidence).collect().foreach(println)
  

注意:cartesian这个算子很恐怖,如果要追求性能的话,还是要自己写一个算法

参考

本文的例子以及支持度,置信度的概念,总结自炼数成金-黄美灵老师的Spark MLlib 机器学习算法与源码解析课程课程文档

以上是关于关联规则支持度(support)置信度(confidence)并运用Spark RDD计算的主要内容,如果未能解决你的问题,请参考以下文章

关联规则支持度(support)置信度(confidence)并运用Spark RDD计算

关联规则支持度(support)置信度(confidence)并运用Spark RDD计算

关联规则分析-apriori

频繁项集?关联规则?支持度?置信度?

python实现apriori算法的关联规则之支持度置信度提升度

python实现apriori算法的关联规则之支持度置信度提升度