Python构建FP-growth

FP-growth是一种用于挖掘频繁项集的算法，它可以高效地挖掘大规模数据集中的频繁项集。Python中有许多实现FP-growth的库，例如PyFIM、mlxtend等，这里我们以mlxtend为例来演示如何构建FP-growth。

首先，我们需要安装mlxtend库。可以使用以下命令进行安装：

!pip install mlxtend

接下来，我们使用mlxtend中的fp_growth函数来构建FP-growth。假设我们有如下的一个数据集：

dataset = [['bread', 'milk'], 
           ['bread', 'diaper', 'beer', 'egg'], 
           ['milk', 'diaper', 'beer', 'cola'], 
           ['bread', 'milk', 'diaper', 'beer'], 
           ['bread', 'milk', 'diaper', 'cola']]

我们可以通过以下代码来构建FP-growth：

from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import fpgrowth

te = TransactionEncoder()
te_ary = te.fit(dataset).transform(dataset)
df = pd.DataFrame(te_ary, columns=te.columns_)

fpgrowth(df, min_support=0.6)

其中，我们使用TransactionEncoder对数据集进行编码，然后使用fpgrowth函数来进行挖掘，min_support参数指定了最小支持度。

执行以上代码，我们将得到如下的挖掘结果：

    support   itemsets
0       0.8    (bread)
1       0.8    (milk)
2       0.6  (diaper)
3       0.6    (beer)
4       0.6   (bread, milk)
5       0.6  (bread, diaper)
6       0.6    (beer, milk)
7       0.6  (diaper, beer)
8       0.6  (bread, diaper, milk)
9       0.6  (bread, beer, milk)
10      0.6  (diaper, beer, milk)
11      0.6  (bread, diaper, beer)

这个结果表示，频繁项集{bread}、{milk}、{diaper}、{beer}、{bread, milk}、{bread, diaper}、{beer, milk}、{diaper, beer}、{bread, diaper, milk}、{bread, beer, milk}、{diaper, beer, milk}、{bread, diaper, beer}的支持度都大于等于0.6。