mirror of
https://github.com/cheetahlou/CategoryResourceRepost.git
synced 2025-09-29 06:36:40 +08:00
240 lines
12 KiB
Markdown
240 lines
12 KiB
Markdown
<audio id="audio" title="31丨关联规则挖掘（下）：导演如何选择演员？" controls="" preload="none"><source id="mp3" src="https://static001.geekbang.org/resource/audio/9f/d1/9ffd041fdd8bebf8c686ae7166c566d1.mp3"></audio>
|
||
|
||
上次我给你讲了关联规则挖掘的原理。关联规则挖掘在生活中有很多使用场景，不仅是商品的捆绑销售，甚至在挑选演员决策上，你也能通过关联规则挖掘看出来某个导演选择演员的倾向。
|
||
|
||
今天我来带你用Apriori算法做一个项目实战。你需要掌握的是以下几点：
|
||
|
||
<li>
|
||
熟悉上节课讲到的几个重要概念：支持度、置信度和提升度；
|
||
</li>
|
||
<li>
|
||
熟悉与掌握Apriori工具包的使用；
|
||
</li>
|
||
<li>
|
||
在实际问题中，灵活运用。包括数据集的准备等。
|
||
</li>
|
||
|
||
## 如何使用Apriori工具包
|
||
|
||
Apriori虽然是十大算法之一，不过在sklearn工具包中并没有它，也没有FP-Growth算法。这里教你个方法，来选择Python中可以使用的工具包，你可以通过[https://pypi.org/](https://pypi.org/) 搜索工具包。
|
||
|
||
<img src="https://static001.geekbang.org/resource/image/76/c7/76a3b34beccbe7b69a11951b4efd80c7.png" alt=""><br>
|
||
这个网站提供的工具包都是Python语言的，你能找到8个Python语言的Apriori工具包，具体选择哪个呢？建议你使用第二个工具包，即efficient-apriori。后面我会讲到为什么推荐这个工具包。
|
||
|
||
首先你需要通过pip install efficient-apriori 安装这个工具包。
|
||
|
||
然后看下如何使用它，核心的代码就是这一行：
|
||
|
||
```
|
||
itemsets, rules = apriori(data, min_support, min_confidence)
|
||
|
||
```
|
||
|
||
其中data是我们要提供的数据集，它是一个list数组类型。min_support参数为最小支持度，在efficient-apriori工具包中用0到1的数值代表百分比，比如0.5代表最小支持度为50%。min_confidence是最小置信度，数值也代表百分比，比如1代表100%。
|
||
|
||
关于支持度、置信度和提升度，我们再来简单回忆下。
|
||
|
||
支持度指的是某个商品组合出现的次数与总次数之间的比例。支持度越高，代表这个组合出现的概率越大。
|
||
|
||
置信度是一个条件概念，就是在A发生的情况下，B发生的概率是多少。
|
||
|
||
提升度代表的是“商品A的出现，对商品B的出现概率提升了多少”。
|
||
|
||
接下来我们用这个工具包，跑一下上节课中讲到的超市购物的例子。下面是客户购买的商品列表：
|
||
|
||
<img src="https://static001.geekbang.org/resource/image/a4/a6/a48f4a2961c3be811431418eb84aeaa6.png" alt="">
|
||
|
||
具体实现的代码如下：
|
||
|
||
```
|
||
from efficient_apriori import apriori
|
||
# 设置数据集
|
||
data = [('牛奶','面包','尿布'),
|
||
('可乐','面包', '尿布', '啤酒'),
|
||
('牛奶','尿布', '啤酒', '鸡蛋'),
|
||
('面包', '牛奶', '尿布', '啤酒'),
|
||
('面包', '牛奶', '尿布', '可乐')]
|
||
# 挖掘频繁项集和频繁规则
|
||
itemsets, rules = apriori(data, min_support=0.5, min_confidence=1)
|
||
print(itemsets)
|
||
print(rules)
|
||
|
||
|
||
```
|
||
|
||
运行结果：
|
||
|
||
```
|
||
{1: {('啤酒',): 3, ('尿布',): 5, ('牛奶',): 4, ('面包',): 4}, 2: {('啤酒', '尿布'): 3, ('尿布', '牛奶'): 4, ('尿布', '面包'): 4, ('牛奶', '面包'): 3}, 3: {('尿布', '牛奶', '面包'): 3}}
|
||
[{啤酒} -> {尿布}, {牛奶} -> {尿布}, {面包} -> {尿布}, {牛奶, 面包} -> {尿布}]
|
||
|
||
```
|
||
|
||
你能从代码中看出来，data是个List数组类型，其中每个值都可以是一个集合。实际上你也可以把data数组中的每个值设置为List数组类型，比如：
|
||
|
||
```
|
||
data = [['牛奶','面包','尿布'],
|
||
['可乐','面包', '尿布', '啤酒'],
|
||
['牛奶','尿布', '啤酒', '鸡蛋'],
|
||
['面包', '牛奶', '尿布', '啤酒'],
|
||
['面包', '牛奶', '尿布', '可乐']]
|
||
|
||
```
|
||
|
||
两者的运行结果是一样的，efficient-apriori 工具包把每一条数据集里的项式都放到了一个集合中进行运算，并没有考虑它们之间的先后顺序。因为实际情况下，同一个购物篮中的物品也不需要考虑购买的先后顺序。
|
||
|
||
而其他的Apriori算法可能会因为考虑了先后顺序，出现计算频繁项集结果不对的情况。所以这里采用的是efficient-apriori这个工具包。
|
||
|
||
## 挖掘导演是如何选择演员的
|
||
|
||
在实际工作中，数据集是需要自己来准备的，比如今天我们要挖掘导演是如何选择演员的数据情况，但是并没有公开的数据集可以直接使用。因此我们需要使用之前讲到的Python爬虫进行数据采集。
|
||
|
||
不同导演选择演员的规则是不同的，因此我们需要先指定导演。数据源我们选用豆瓣电影。
|
||
|
||
先来梳理下采集的工作流程。
|
||
|
||
首先我们先在[https://movie.douban.com](https://movie.douban.com)搜索框中输入导演姓名，比如“宁浩”。
|
||
|
||
<img src="https://static001.geekbang.org/resource/image/ea/ef/eaba9861825a38b6fbd5af1bff7194ef.png" alt=""><br>
|
||
页面会呈现出来导演之前的所有电影，然后对页面进行观察，你能观察到以下几个现象：
|
||
|
||
<li>
|
||
页面默认是15条数据反馈，第一页会返回16条。因为第一条数据实际上这个导演的概览，你可以理解为是一条广告的插入，下面才是真正的返回结果。
|
||
</li>
|
||
<li>
|
||
每条数据的最后一行是电影的演出人员的信息，第一个人员是导演，其余为演员姓名。姓名之间用“/”分割。
|
||
</li>
|
||
|
||
有了这些观察之后，我们就可以编写抓取程序了。在代码讲解中你能看出这两点观察的作用。抓取程序的目的是为了生成宁浩导演（你也可以抓取其他导演）的数据集，结果会保存在csv文件中。完整的抓取代码如下：
|
||
|
||
```
|
||
# -*- coding: utf-8 -*-
|
||
# 下载某个导演的电影数据集
|
||
from efficient_apriori import apriori
|
||
from lxml import etree
|
||
import time
|
||
from selenium import webdriver
|
||
import csv
|
||
driver = webdriver.Chrome()
|
||
# 设置想要下载的导演 数据集
|
||
director = u'宁浩'
|
||
# 写CSV文件
|
||
file_name = './' + director + '.csv'
|
||
base_url = 'https://movie.douban.com/subject_search?search_text='+director+'&cat=1002&start='
|
||
out = open(file_name,'w', newline='', encoding='utf-8-sig')
|
||
csv_write = csv.writer(out, dialect='excel')
|
||
flags=[]
|
||
# 下载指定页面的数据
|
||
def download(request_url):
|
||
driver.get(request_url)
|
||
time.sleep(1)
|
||
html = driver.find_element_by_xpath("//*").get_attribute("outerHTML")
|
||
html = etree.HTML(html)
|
||
# 设置电影名称，导演演员 的XPATH
|
||
movie_lists = html.xpath("/html/body/div[@id='wrapper']/div[@id='root']/div[1]//div[@class='item-root']/div[@class='detail']/div[@class='title']/a[@class='title-text']")
|
||
name_lists = html.xpath("/html/body/div[@id='wrapper']/div[@id='root']/div[1]//div[@class='item-root']/div[@class='detail']/div[@class='meta abstract_2']")
|
||
# 获取返回的数据个数
|
||
num = len(movie_lists)
|
||
if num > 15: #第一页会有16条数据
|
||
# 默认第一个不是，所以需要去掉
|
||
movie_lists = movie_lists[1:]
|
||
name_lists = name_lists[1:]
|
||
for (movie, name_list) in zip(movie_lists, name_lists):
|
||
# 会存在数据为空的情况
|
||
if name_list.text is None:
|
||
continue
|
||
# 显示下演员名称
|
||
print(name_list.text)
|
||
names = name_list.text.split('/')
|
||
# 判断导演是否为指定的director
|
||
if names[0].strip() == director and movie.text not in flags:
|
||
# 将第一个字段设置为电影名称
|
||
names[0] = movie.text
|
||
flags.append(movie.text)
|
||
csv_write.writerow(names)
|
||
print('OK') # 代表这页数据下载成功
|
||
print(num)
|
||
if num >= 14: #有可能一页会有14个电影
|
||
# 继续下一页
|
||
return True
|
||
else:
|
||
# 没有下一页
|
||
return False
|
||
|
||
# 开始的ID为0，每页增加15
|
||
start = 0
|
||
while start<10000: #最多抽取1万部电影
|
||
request_url = base_url + str(start)
|
||
# 下载数据，并返回是否有下一页
|
||
flag = download(request_url)
|
||
if flag:
|
||
start = start + 15
|
||
else:
|
||
break
|
||
out.close()
|
||
print('finished')
|
||
|
||
```
|
||
|
||
代码中涉及到了几个模块，我简单讲解下这几个模块。
|
||
|
||
在引用包这一段，我们使用csv工具包读写CSV文件，用efficient_apriori完成Apriori算法，用lxml进行XPath解析，time工具包可以让我们在模拟后有个适当停留，代码中我设置为1秒钟，等HTML数据完全返回后再进行HTML内容的获取。使用selenium的webdriver来模拟浏览器的行为。
|
||
|
||
在读写文件这一块，我们需要事先告诉python的open函数，文件的编码是utf-8-sig（对应代码：encoding=‘utf-8-sig’），这是因为我们会用到中文，为了避免编码混乱。
|
||
|
||
编写download函数，参数传入我们要采集的页面地址（request_url）。针对返回的HTML，我们需要用到之前讲到的Chrome浏览器的XPath Helper工具，来获取电影名称以及演出人员的XPath。我用页面返回的数据个数来判断当前所处的页面序号。如果数据个数>15，也就是第一页，第一页的第一条数据是广告，我们需要忽略。如果数据个数=15，代表是中间页，需要点击“下一页”，也就是翻页。如果数据个数<15，代表最后一页，没有下一页。
|
||
|
||
在程序主体部分，我们设置start代表抓取的ID，从0开始最多抓取1万部电影的数据（一个导演不会超过1万部电影），每次翻页start自动增加15，直到flag=False为止，也就是不存在下一页的情况。
|
||
|
||
你可以模拟下抓取的流程，获得指定导演的数据，比如我上面抓取的宁浩的数据。这里需要注意的是，豆瓣的电影数据可能是不全的，但基本上够我们用。
|
||
|
||
<img src="https://static001.geekbang.org/resource/image/5e/16/5ea61131d1fce390040cf0edf6897a16.png" alt=""><br>
|
||
有了数据之后，我们就可以用Apriori算法来挖掘频繁项集和关联规则，代码如下：
|
||
|
||
```
|
||
# -*- coding: utf-8 -*-
|
||
from efficient_apriori import apriori
|
||
import csv
|
||
director = u'宁浩'
|
||
file_name = './'+director+'.csv'
|
||
lists = csv.reader(open(file_name, 'r', encoding='utf-8-sig'))
|
||
# 数据加载
|
||
data = []
|
||
for names in lists:
|
||
name_new = []
|
||
for name in names:
|
||
# 去掉演员数据中的空格
|
||
name_new.append(name.strip())
|
||
data.append(name_new[1:])
|
||
# 挖掘频繁项集和关联规则
|
||
itemsets, rules = apriori(data, min_support=0.5, min_confidence=1)
|
||
print(itemsets)
|
||
print(rules)
|
||
|
||
```
|
||
|
||
代码中使用的apriori方法和开头中用Apriori获取购物篮规律的方法类似，比如代码中都设定了最小支持度和最小置信系数，这样我们可以找到支持度大于50%，置信系数为1的频繁项集和关联规则。
|
||
|
||
这是最后的运行结果：
|
||
|
||
```
|
||
{1: {('徐峥',): 5, ('黄渤',): 6}, 2: {('徐峥', '黄渤'): 5}}
|
||
[{徐峥} -> {黄渤}]
|
||
|
||
```
|
||
|
||
你能看出来，宁浩导演喜欢用徐峥和黄渤，并且有徐峥的情况下，一般都会用黄渤。你也可以用上面的代码来挖掘下其他导演选择演员的规律。
|
||
|
||
## 总结
|
||
|
||
Apriori算法的核心就是理解频繁项集和关联规则。在算法运算的过程中，还要重点掌握对支持度、置信度和提升度的理解。在工具使用上，你可以使用efficient-apriori这个工具包，它会把每一条数据中的项（item）放到一个集合（篮子）里来处理，不考虑项（item）之间的先后顺序。
|
||
|
||
在实际运用中你还需要灵活处理，比如导演如何选择演员这个案例，虽然工具的使用会很方便，但重要的还是数据挖掘前的准备过程，也就是获取某个导演的电影数据集。
|
||
|
||
<img src="https://static001.geekbang.org/resource/image/28/9d/282c25e8651b3e0b675be7267d13629d.png" alt=""><br>
|
||
最后给你留两道思考题吧。请你编写代码挖掘下张艺谋导演使用演员的频繁项集和关联规则，最小支持度可以设置为0.1或0.05。另外你认为Apriori算法中的最小支持度和最小置信度，一般设置为多少比较合理？
|
||
|
||
欢迎你在评论区与我分享你的答案，也欢迎点击“请朋友读”，把这篇文章分享给你的朋友或者同事。
|
||
|
||
|