PAMI.relativeHighUtilityPattern.basic 包

子模块

PAMI.relativeHighUtilityPattern.basic.RHUIM 模块

class PAMI.relativeHighUtilityPattern.basic.RHUIM.RHUIM(iFile: str, minUtil: int, minUR: float, sep: str = '\t')[来源]

基础：_utilityPatterns

Description:

RHUIM算法帮助我们从事务数据库中挖掘相对高效用项集。

Reference:

R. U. Kiran, P. Pallikila, J. M. Luna, P. Fournier-Viger, M. Toyoda 和 P. K. Reddy, “使用零不变度量在非常大的交易数据库中挖掘相对高效用项集,”

2021年IEEE国际大数据会议（Big Data），美国佛罗里达州奥兰多，2021年，第252-262页， doi: 10.1109/BigData52589.2021.9672064。

Parameters:

iFile – str : 输入文件的名称，用于挖掘相对高效用模式的完整集合
oFile – str : 用于存储完整相对高效用模式集的输出文件名
minSup – float 或 int 或 str : minSup 度量约束了数据库中模式必须出现的最小交易数量示例：minSup=10 将被视为整数，而 minSup=10.0 将被视为浮点数
sep – str : 此变量用于在事务中区分不同的项目。默认的分隔符是制表符。但是，用户可以覆盖他们的默认分隔符。
minUtil – int : 最小效用阈值。

Attributes:

iFilefile: 用于挖掘完整模式集的输入文件名
oFilefile: 输出文件的名称，用于存储完整的模式集
memoryRSSfloat: 存储程序消耗的RSS内存总量
startTimefloat: 记录采矿过程的开始时间
endTimefloat: 记录挖掘过程的完成时间
minUtilint: 用户给定的minUtil值
minURfloat: 用户给定的minUR值
relativeHighUtilityItemSetsmap: 相对高效用项集的集合
candidateCountint: 候选人数量
utilityBinArrayLUlist: 用于保存数据库中项目本地效用值的映射
utilityBinArraySUlist: 一个用于保存项目子树效用值的映射是数据库
oldNamesToNewNameslist: 一个包含旧名称和项目新名称作为键值对的映射
newNamesToOldNameslist: 一个包含新名称和旧名称的映射，其中项目的新旧名称作为键值对
maxMemoryfloat: 此程序运行所使用的最大内存
patternCountint: RHUI的数量
itemsToKeeplist: 仅保留有前景的项目，即可以扩展其他项目以形成RHUI的项目
itemsToExplorelist: 需要探索的项目列表

Methods:

mine(): 挖掘过程将从此处开始
getPatterns(): 将使用此函数检索完整的模式集
save(oFile): 完整的模式集将被加载到一个输出文件中
getPatternsAsDataFrame(): 完整的模式集将被加载到数据框中
getMemoryUSS(): 从该函数中获取的挖矿过程消耗的USS内存总量
getMemoryRSS(): 将从该函数中检索出挖矿过程消耗的RSS内存总量
getRuntime(): 从该函数中获取的挖掘过程所花费的总运行时间
backTrackingRHUIM(transactionsOfP, itemsToKeep, itemsToExplore, prefixLength): 一种递归挖掘RHUIs的方法
useUtilityBinArraysToCalculateUpperBounds(transactionsPe, j, itemsToKeep): 一种计算可以扩展itemSet P和e的所有项的子树效用和局部效用的方法
output(tempPosition, utility): 一种根据用户选择将相对高效用项集输出到文件或内存的方法
is_equal(transaction1, transaction2): 一种检查两个交易是否相同的方法
useUtilityBinArrayToCalculateSubtreeUtilityFirstTime(dataset): 一种计算单个项目的子树效用值的方法
sortDatabase(self, transactions): 一种排序交易的方法
sort_transaction(self, trans1, trans2): 一种排序交易的方法
useUtilityBinArrayToCalculateLocalUtilityFirstTime(self, dataset): 一种计算单个项目集本地效用值的方法

在终端上执行代码的方法

Format:

(.venv) $ python3 RHUIM.py <inputFile> <outputFile> <minUtil> <sep>

Example usage:

(.venv) $ python3 RHUIM.py sampleTDB.txt output.txt 35 20

        .. note:: minSup will be considered in times of minSup and count of database transactions

将此算法导入到Python程序中

from PAMI.relativeHighUtilityPattern.basic import RHUIM as alg

obj=alg.RHUIM("input.txt", 35, 20)

obj.mine()

frequentPatterns = obj.getPatterns()

print("Total number of Frequent Patterns:", len(frequentPatterns))

obj.savePatterns(oFile)

Df = obj.getPatternsAsDataFrame()

memUSS = obj.getmemoryUSS()

print("Total Memory in USS:", memUSS)

memRSS = obj.getMemoryRSS()

print("Total Memory in RSS", memRSS)

run = obj.getRuntime()

print("Total ExecutionTime in seconds:", run)

致谢：

完整的程序由Pradeep Pallikila在Rage Uday Kiran教授的指导下编写。

getMemoryRSS() → float[来源]

将从该函数中检索出挖矿过程消耗的RSS内存总量

Returns:: 返回挖掘过程消耗的RSS内存
Return type:: 浮点数

getMemoryUSS() → float[来源]

从该函数中获取的挖矿过程消耗的USS内存总量

Returns:: 返回采矿过程消耗的USS内存
Return type:: 浮点数

getPatterns() → dict[来源]

在挖掘过程完成后发送模式集合的函数

Returns:: 返回模式
Return type:: 字典

getPatternsAsDataFrame() → DataFrame[来源]

将最终模式存储在数据框中

Returns:: 返回数据框中的模式
Return type:: pd.DataFrame

getRuntime() → float[来源]

计算采矿过程所花费的总运行时间

Returns:: 返回采矿过程所花费的总运行时间
Return type:: 浮点数

mine() → None[来源]: 挖掘过程将从这个函数开始 :return: 无

printResults() → None[来源]: 此函数用于打印结果 :return: 无

save(outFile: str) → None[来源]

完整的频繁模式集将被加载到输出文件中

Parameters:: outFile (file) – 输出文件的名称
Returns:: 无

sortDatabase(transactions: list) → None[来源]

一种排序交易的方法

Attributes:
Parameters:: transactions (list) – 项目的交易
Returns:: 已排序的交易。
Return type:: 交易或列表

sort_transaction(trans1: _Transaction, trans2: _Transaction) → int[来源]