python - 有没有办法按给定数据集中某个值的百分比窗口对数据行进行分组，然后遍历数据集？

Question

我有一个来自一些关联规则挖掘的大 csv 文件。其中两列是规则和置信度得分。

规则列包含不同长度的项目列表，例如

[[Dog],[Dog,Cat],[Dog,Cat,Hamster],[Dog,Cat,Hamster,Goldfish]]

置信度分数列包含 0 到 1 之间的数字列表，例如

[0.1, 0.5, 0.1, 0.5]

我想根据规则值是否是其他规则值的子集来删除冗余行，但我只想删除具有相似置信度分数的行（在置信度窗口内，例如 5%）。

在上面的示例中，将保留的行是 [Dog] 和 [Dog,Cat]。

[Dog] 将保留，因为它们的置信度得分为 0.1，[Dog]因此[Dog,Cat,Hamster]将被分组在一起，然后[Dog,Cat,Hamster]将被删除，因为[Dog]它是的子集，[Dog,Cat,Hamster]因此该规则[Dog,Cat,Hamster]是多余的。

同样，[Dog,Cat]两者[Dog,Cat,Hamster,Goldfish]的置信度分数均为 0.5，并且[Dog,Cat,Hamster,Goldfish]将被删除，因为 [Dog,Cat] 是 [Dog,Cat,Hamster,Goldfish] 的子集。

我知道我需要做的第一件事是查看最小规则的置信度分数，将落在该分数的置信度窗口内的所有规则组合在一起，然后删除作为较小规则超集的所有规则。然后我需要移动到下一个最小的规则并做同样的事情，直到所有规则都被减少/阻止。

我想知道在 Python/Pandas 中是否有一种简单的方法可以做到这一点？

我对编码很陌生，所以我根本不知道这是否可能。

谢谢

标签： pythonpandaspandas-groupby

Answer 1

您可以按置信度值和规则长度对两列中的对值进行排序。然后我们将首先获得最低的 conf 分数，并且在具有相同 conf 分数的规则中，最短的列表将首先出现。我们用“双指”方法遍历这个排序的规则/配置对。第一个手指是当前规则/配置对。第二根手指移动，直到我们找到第一个规则是不相等的 conf 分数（例如，如果我们的第一根手指在 0.1 上，则为 0.5）或者如果规则不是子集（例如，如果我们的第一根手指在上面，则遇到 ['Hamster'] ['狗']）。当我们找到这样的规则/配置对时，我们附加我们的第一根手指的规则/配置对，并将我们的第一根手指推进到我们刚刚处理的那对。我们继续迭代，跳过符合我们删除标准的对，当我们发现不符合“删除”标准的对时，追加和推进。希望这是有道理的。

rules = [['Dog'],['Dog','Cat'],['Dog','Cat','Hamster','Goldfish'], ['Dog','Cat','Hamster']]
confs = [0.1, 0.5, 0.1, 0.5]

# sort by conf values and size of rules to put the shortest sub-rule in the front
ruleConfPairs = sorted(zip(rules, confs), key=lambda x: (x[1], len(x[0])))

# initialize iteration
new_rules = []
new_confs = []
current_rule = ruleConfPairs[0][0]
current_conf = ruleConfPairs[0][1]

for rule, conf in ruleConfPairs[1:]:
    if current_conf == conf and set(current_rule).issubset(rule):
        # skip (i.e. remove) pair if it has the same confidence value AND rule is a subset
        continue
    # append current rule/conf pair if either confidence score is not equal OR rule is not a subset
    new_rules.append(current_rule)
    new_confs.append(current_conf)
    # advance our pair
    current_rule = rule
    current_conf = conf

# make sure to append the last pair
new_rules.append(current_rule)
new_confs.append(current_conf)

print(new_rules)
print(new_confs)

输出：

[['Dog'], ['Dog', 'Cat']]
[0.1, 0.5]