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

水深无声 2022-07-12 02:50 139阅读 0赞

#!/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="\t",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("\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("")