本篇代码可在 (明天更新)下载。
前篇《HotSpot关联规则算法（1）-- 挖掘离散型数据》分析了离散型数据的HotSpot关联规则，本篇分析离散型和连续型数据的HotSpot关联规则挖掘。
1. 首先看下数据格式（txt文档）：
@attribute outlook {sunny, overcast, rainy}
@attribute temperature numeric
@attribute humidity numeric
@attribute windy {TRUE, FALSE}
@attribute play {yes, no}
sunny,85,85,FALSE,no
sunny,80,90,TRUE,no
overcast,83,86,FALSE,yes
rainy,70,96,FALSE,yes
rainy,68,80,FALSE,yes
rainy,65,70,TRUE,no
overcast,64,65,TRUE,yes
sunny,72,95,FALSE,no
sunny,69,70,FALSE,yes
rainy,75,80,FALSE,yes
sunny,75,70,TRUE,yes
overcast,72,90,TRUE,yes
overcast,81,75,FALSE,yes
rainy,71,91,TRUE,no此数据参考weka自带数据weather.arff，而且数据格式，比如写上@attribute 等都是参考weka的数据格式来的。下面代码中使用的数据格式如上所述，其格式描述如下：1）前m行以@attribute开头，代码m个属性，其中最后一个为目标属性；2）如果属性是数值型，则在attribute后面空格跟属性名，再空格跟numeric；如果是离散型，那么attribute后面空格跟属性名，再空格使用大括号把离散值括起来，离散值用逗号分隔；3）目标属性必须是离散型的（关于目标属性应该一定要属于离散型的这点要求，其实只是我代码里面这样说而已，一般的HotSpot算法并没有这个要求。如果目标属性一定要求是连续型的，可以在lz代码基础上进行修改）。2. 数据读取
《HotSpot关联规则算法（1）》中的数据读取是针对离散型的数据的，所以需要进行修改，这里修改后只针对离散型数据进行编码，连续型数据保持即可，同时还需设置一个布尔数组指明属性列属于离散型还是连续型。其读取代码如下所示：
while ((tempString = reader.readLine()) != null) {
// 第一行数据是标题
if (tempString.indexOf(HSUtils.FILEFORMAT) == 0) {
String attr = "";
String[] attrStates = null;
if (tempString.contains("{")) {
attr = tempString.substring(
HSUtils.FILEFORMAT.length(),
tempString.indexOf("{")).trim();
attrStates = tempString.substring(
tempString.indexOf("{") + 1,
tempString.indexOf("}")).split(",");
for (int i = 0; i < attrStates.length; i++) {
attrStates[i] = attrStates[i].trim();
}
numericList.add(false);
this.attributeStates.put(attr, attrStates);// 在这里添加即可
} else {// numeric
if (tempString.contains("numeric")) {
attr = tempString.substring(
HSUtils.FILEFORMAT.length(),
tempString.indexOf("numeric")).trim();
numericList.add(true);
} else {
// error 数据格式错误
throw new Exception("数据格式错误，请检查！");
}
}
attrList.add(attr);
line++;
continue;
}
if (flag) {
this.attributes = new String[line];
this.isNumeric = new Boolean[line];
attrList.toArray(this.attributes);// 复制值到数组中
numericList.toArray(this.isNumeric);
flag = false;
}
String[] tempStrings = tempString.split(splitter);
lists.add(strArr2IntArr(tempStrings));
}这里只贴了while循环里面的代码，这里的代码即针对前面描述的数据格式规则进行变量初始化（其实，这里使用List存储转换后的数据，一般是可以使用数组来存储的，把List的数据转为数组即可，这样在后面的操作中可以更快，如果要优化，可以从这方面入手）。3. HotSpot关联规则树的节点定义说明：
由于这里增加了连续型属性数据，所以针对单个节点需增加一个布尔型变量lessThan，用于指明是要大于或者小于该节点数据，同时stateIndex应该是一个数值了（当前节点的值），而不是离散型数据状态的下标了。
4. 算法伪代码（建树过程）
在算法伪代码中的计算潜在节点时，针对连续型变量使用不同的方法，在weka源码中使用方法：evaluateNumeric来进行判断。在lz的代码中此部分是完全参考源码中的代码的，不过有一点就是在调用evaluateNumeric这个算法后，会针对某一列进行排序，即一个二维数组按某列进行全局排序。这个方法在weka源码中是使用Instances的quickSort方法进行排序的（使用了递归，没仔细看）。这里lz则是直接把List转为二维数组然后进行排序的，其方法如下：
/**
* 根据attrIndex进行排序，attrIndex必须是numeric的 此方法可能需要优化
* List 使用数组是否更快？ 可以考虑使用数组
* @param intData
* @param attrIndex
* @return
*/
private List<float[]> sortBasedOnAttr(List<float[]> intData, final int attrIndex) {
float[][] tmpData = new float[intData.size()][];
intData.toArray(tmpData);
Arrays.sort(tmpData,new Comparator<float[]>(){
@Override
public int compare(float[] o1, float[] o2) {
if(o1[attrIndex]==o2[attrIndex]){
return 0;
}
return o1[attrIndex]>o2[attrIndex]?1:-1;
}
});
List<float[]> returnList = new ArrayList<float[]>();
for (int i = 0; i < tmpData.length; i++) {
returnList.add(tmpData[i]);
}
return returnList;
}同时，在递归构建孩子节点时，生成节点规则时，针对数值型和离散型其生成方式也是不同的，如下：double[] newSplitVals = splitVals.clone(); byte[] newTests = tests.clone(); newSplitVals[attrStateSup.getAttrIndex()] = attrStateSup .getStateIndex() + 1; newTests[attrStateSup.getAttrIndex()] = isNumeric[attrStateSup.getAttrIndex()]? attrStateSup.isLessThan()?(byte)1:(byte)3:(byte) 2; HotSpotHashKey key = new HotSpotHashKey(newSplitVals, newTests);在递归构建孩子节点时，使用的子数据集的生成方式也需要进行调整，如下：
/**
* 获取和splitAttributeIndex相同下标的属性以及stateIndex的所有数据
*
* @param intData
* @param splitAttributeIndex
* @param splitValue
* @return
*/
private List<float[]> getSubData(List<float[]> intData,
int splitAttributeIndex, float splitValue,boolean lessThan) {
List<float[]> subData = new ArrayList<float[]>();
for (float[] d : intData) {
if(isNumeric[splitAttributeIndex]){
if(lessThan){
if (d[splitAttributeIndex] <= splitValue) {
subData.add(d);
}
}else{
if (d[splitAttributeIndex] > splitValue) {
subData.add(d);
}
}
}else{
if (d[splitAttributeIndex] == splitValue) {
subData.add(d);
}
}
}
return subData;
}
/**
* 格式化输出
*/
public String toString(){
String tmp = HSUtils.isNumeric(splitAttrIndex)?this.lessThan?" <= ":" > ":" = ";
String attrState = HSUtils.isNumeric(splitAttrIndex)?String.valueOf(this.attrStateIndex):
HSUtils.getAttrState(splitAttrIndex, (int)attrStateIndex);
return HSUtils.getAttr(this.splitAttrIndex)+tmp
+attrState
+" ("+HSUtils.formatPercent(this.support)+" ["+this.stateCount+"/"+this.allCount+"])";
}代码输出为：
文件读取完成，且属性和属性的各种状态初始化完成！ 属性outlook的状态： [sunny-->0,overcast-->1,rainy-->2,] 属性temperature的状态： [numeric] 属性humidity的状态： [numeric] 属性windy的状态： [TRUE-->0,FALSE-->1,] 属性play的状态： [yes-->0,no-->1,] 规则树如下： play = no (35.71% [5/14]) | temperature > 83.0 (100.00% [1/1]) | humidity > 90.0 (66.67% [2/3]) | | temperature > 70.0 (100.00% [2/2]) | | humidity <= 95.0 (100.00% [2/2])
分享，成长，快乐
脚踏实地，专注
转载请注明blog地址：http://blog.csdn.net/fansy1990
HotSpot关联规则算法（2）-- 挖掘连续型和离散型数据
原文地址：http://blog.csdn.net/fansy1990/article/details/44264141
