上傳人：飛***

認證信息

認證類型：個人認證

認證主體：方**（實名認證）

IP屬地：河北

IP屬地：河北 上傳時間：2022-02-06 格式：DOCX 頁數(shù)：22 大小：477.56KB 積分：12 舉報 版權申訴

1、數(shù)據(jù)挖掘?qū)嶒瀳蟾婺夸? .關聯(lián)規(guī)則的基本概念和方法11.1 數(shù)據(jù)挖掘11.1.1 數(shù)據(jù)挖掘的概念11.1.2 數(shù)據(jù)挖掘的方法與技術11.2 關聯(lián)規(guī)則21.2.1 關聯(lián)規(guī)則的概念21.2.2 關聯(lián)規(guī)則的實現(xiàn)一一Apriori算法32 .用Matlab實現(xiàn)關聯(lián)規(guī)則52.1 Matlab概述52.2 基于Matlab的Apriori算法63 .用java實現(xiàn)關聯(lián)規(guī)則103.1 java界面描述103.2 java關鍵代碼描述134、實驗總結184.1 實驗的不足和改進184.2 實驗心得191.關聯(lián)規(guī)則的基本概念和方法1.1 數(shù)據(jù)挖掘1.1.1 數(shù)據(jù)挖掘的概念計算機技術和通信技術的迅猛發(fā)展將人類社會

2、帶入到了信息時代。在最近十幾年里，數(shù)據(jù)庫中存儲的數(shù)據(jù)急劇增大。數(shù)據(jù)挖掘就是信息技術自然進化的結果。數(shù)據(jù)挖掘可以從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數(shù)據(jù)中，提取隱含在其中的，人們事先不知道的但又是潛在有用的信息和知識的過程。許多人將數(shù)據(jù)挖掘視為另一個流行詞匯數(shù)據(jù)中的知識發(fā)現(xiàn)（KDD）的同義詞，而另一些人只是把數(shù)據(jù)挖掘視為知識發(fā)現(xiàn)過程的一個基本步驟。知識發(fā)現(xiàn)過程如下： 數(shù)據(jù)清理（消除噪聲和刪除不一致的數(shù)據(jù)） 數(shù)據(jù)集成（多種數(shù)據(jù)源可以組合在一起） 數(shù)據(jù)轉(zhuǎn)換（從數(shù)據(jù)庫中提取和分析任務相關的數(shù)據(jù)） 數(shù)據(jù)變換（從匯總或聚集操作，把數(shù)據(jù)變換和統(tǒng)一成適合挖掘的形式） 數(shù)據(jù)挖掘（基本步驟，使用智

3、能方法提取數(shù)據(jù)模式） 模式評估（根據(jù)某種興趣度度量，識別代表知識的真正有趣的模式） 知識表示（使用可視化和知識表示技術，向用戶提供挖掘的知識）。1.1.2 數(shù)據(jù)挖掘的方法與技術數(shù)據(jù)挖掘吸納了諸如數(shù)據(jù)庫和數(shù)據(jù)倉庫技術、統(tǒng)計學、機器學習、高性能計算、模式識別、神經(jīng)網(wǎng)絡、數(shù)據(jù)可視化、信息檢索、圖像和信號處理以及空間數(shù)據(jù)分析技術的集成等許多應用領域的大量技術。數(shù)據(jù)挖掘主要包括以下方法。神經(jīng)網(wǎng)絡方法：神經(jīng)網(wǎng)絡由于本身良好的魯棒性、自組織自適應性、并行處理、分布存儲和高度容錯等特性非常適合解決數(shù)據(jù)挖掘的問題，因此近年來越來越受到人們的關注。典型的神經(jīng)網(wǎng)絡模型主要分3大類：以感知機、bp反向傳播模型、函數(shù)型

4、網(wǎng)絡為代表的，用于分類、預測和模式識別的前饋式神經(jīng)網(wǎng)絡模型；以hopfield的離散模型和連續(xù)模型為代表的，分別用于聯(lián)想記憶和優(yōu)化計算的反饋式神經(jīng)網(wǎng)絡模型；以art模型、koholon模型為代表的，用于聚類的自組織映射方法。神經(jīng)網(wǎng)絡方法的缺點是“黑箱"性，人們難以理解網(wǎng)絡的學習和決策過程。遺傳算法：遺傳算法是一種基于生物自然選擇與遺傳機理的隨機搜索算法，是一種仿生全局優(yōu)化方法。遺傳算法具有的隱含并行性、易于和其它模型結合等性質(zhì)使得它在數(shù)據(jù)挖掘中被加以應用。sunil已成功地開發(fā)了一個基于遺傳算法的數(shù)據(jù)挖掘工具，利用該工具對兩個飛機失事的真實數(shù)據(jù)庫進行了數(shù)據(jù)挖掘?qū)嶒?，結果表明遺傳算法是

5、進行數(shù)據(jù)挖掘的有效方法之一。遺傳算法的應用還體現(xiàn)在與神經(jīng)網(wǎng)絡、粗糙集等技術的結合上。如利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡結構，在不增加錯誤率的前提下，刪除多余的連接和隱層單元；用遺傳算法和bp算法結合訓練神經(jīng)網(wǎng)絡，然后從網(wǎng)絡提取規(guī)則等。但遺傳算法的算法較復雜，收斂于局部極小的較早收斂問題尚未解決。決策樹方法：決策樹是一種常用于預測模型的算法，它通過將大量數(shù)據(jù)有目的分類，從中找到一些有價值的，潛在的信息。它的主要優(yōu)點是描述簡單，分類速度快，特別適合大規(guī)模的數(shù)據(jù)處理。粗糙集方法：粗糙集理論是一種研究不精確、不確定知識的數(shù)學工具。粗糙集方法有幾個優(yōu)點：不需要給出額外信息；簡化輸入信息的表達空間；算法簡單，易于

6、操作。粗糙集處理的對象是類似二維關系表的信息表。目前成熟的關系數(shù)據(jù)庫管理系統(tǒng)和新發(fā)展起來的數(shù)據(jù)倉庫管理系統(tǒng)，為粗糙集的數(shù)據(jù)挖掘奠定了堅實的基礎。但粗糙集的數(shù)學基礎是集合論，難以直接處理連續(xù)的屬性。而現(xiàn)實信息表中連續(xù)屬性是普遍存在的。因此連續(xù)屬性的離散化是制約粗糙集理論實用化的難點。覆蓋正例排斥反例方法：它是利用覆蓋所有正例、排斥所有反例的思想來尋找規(guī)則。首先在正例集合中任選一個種子，到反例集合中逐個比較。與字段取值構成的選擇子相容則舍去，相反則保留。按此思想循環(huán)所有正例種子，將得到正例的規(guī)則（選擇子的合取式）。比較典型的算法有michalski的aq11方法、洪家榮改進的aq15方法以及他的a

7、e5方法。統(tǒng)計分析方法：在數(shù)據(jù)庫字段項之間存在兩種關系：函數(shù)關系（能用函數(shù)公式表示的確定性關系）和相關關系（不能用函數(shù)公式表示，但仍是相關確定性關系），對它們的分析可采用統(tǒng)計學方法，即利用統(tǒng)計學原理對數(shù)據(jù)庫中的信息進行分析?？蛇M行常用統(tǒng)計（求大量數(shù)據(jù)中的最大值、最小值、總和、平均值等）、回歸分析（用回歸方程來表示變量間的數(shù)量關系）、相關分析（用相關系數(shù)來度量變量間的相關程度）、差異分析（從樣本統(tǒng)計量的值得出差異來確定總體參數(shù)之間是否存在差異）等。模糊集方法：即利用模糊集合理論對實際問題進行模糊評判、模糊決策、模糊模式識別和模糊聚類分析。系統(tǒng)的復雜性越高，模糊性越強，一般模糊集合理論是用隸屬度來

8、刻畫模糊事物的亦此亦彼性的。李德毅等人在傳統(tǒng)模糊理論和概率統(tǒng)計的基礎上，提出了定性定量不確定性車t換模型-云模型，并形成了云理論。還有接下來重點介紹的關聯(lián)規(guī)則方法。1.2 關聯(lián)規(guī)則1.2.1 關聯(lián)規(guī)則的概念關聯(lián)規(guī)則的一個典型例子是購物籃分析。它是由著名的全國五百強沃爾瑪發(fā)現(xiàn)的，沃爾瑪有著世界最大的數(shù)據(jù)倉庫系統(tǒng)，為了能夠準確了解顧客在其門店的購買習慣，沃爾瑪對其顧客的購物行為進行購物籃分析，想知道顧客經(jīng)常一起購買的商品有哪些。沃爾瑪數(shù)據(jù)倉庫里集中了其各門店的詳細原始交易數(shù)據(jù)。在這些原始交易數(shù)據(jù)的基礎上，沃爾瑪利用數(shù)據(jù)挖掘方法對這些數(shù)據(jù)進行分析和挖掘。一個意外的發(fā)現(xiàn)是："跟尿布一起購買最

9、多的商品竟是啤酒！經(jīng)過大量實際調(diào)查和分析，揭示了一個隱藏在“尿布與啤酒”背后的美國人的一種行為模式：在美國，一些年輕的父親下班后經(jīng)常要到超市去買嬰兒尿布，而他們中有30%40%的人同時也為自己買一些啤酒。產(chǎn)生這一現(xiàn)象的原因是：美國的太太們常叮囑她們的丈夫下班后為小孩買尿布，而丈夫們在買尿布后又隨手帶回了他們喜歡的啤酒。關聯(lián)規(guī)則由此進入人們的視野。關聯(lián)規(guī)則挖掘被定義為假設I是項的集合。給定一個交易數(shù)據(jù)庫D,其中每個事務（Transaction）t是I的非空子集，即每一個交易都與一個唯一的標識符TID（TransactionID）對應。關聯(lián)規(guī)則在D中的支持度（support）是D中事務同時包含X、

10、Y的百分比，即概率；置信度（confidence）是包含X的事務中同時又包含Y的百分比，即條件概率。下面舉個例子來更好地說明關聯(lián)規(guī)則。給定AllElectronics關系數(shù)據(jù)庫，一個數(shù)據(jù)挖掘系統(tǒng)可能發(fā)現(xiàn)如下形式的關聯(lián)規(guī)則Age（X,"20.29"）入income（X,"20,000.29,000"）?=>buys（X,“CD-Player”）Support=20%,Confident=60%其中X是變量，代表顧客，該關聯(lián)規(guī)則表示所研究的AllElectronics數(shù)據(jù)庫中，顧客有20%在20-29歲，年收入在20,000-29,000之間，并且購買

11、CD機；這個年齡和收入組的顧客購買CD機的可能性有60%。1.2.2 關聯(lián)規(guī)則的實現(xiàn)一一Apriori算法算法描述Apriori算法在發(fā)現(xiàn)關聯(lián)規(guī)則領域具有很大影響力。算法命名源于算法使用了頻繁項集性質(zhì)的先驗（prior）知識。在具體實驗時，Apriori算法將發(fā)現(xiàn)關聯(lián)規(guī)則的過程分為兩個步驟：第一步通過迭代，檢索出事務數(shù)據(jù)庫中的所有頻繁項集，即支持度不低于用戶設定的閾值的項集；第二步利用頻繁項集構造出滿足用戶最小信任度的規(guī)則。其中，挖掘或識別出所有頻繁項集是該算法的核心，占整個計算量的大部分。Apriori算法使用一種稱作逐層搜索的迭代方法，K項集用于搜索（K+1）項集。首先，通過

12、掃描數(shù)據(jù)庫，累積每個項的計數(shù)，并收集滿足最小支持度的項，找出頻繁1項集的集合。該集合記作L1。然后，L1用于尋找頻繁2項集的集合L2,L2用于尋找L3,如此下去，直到不能再找到頻繁K項集。為提高頻繁項集逐層產(chǎn)生的效率，一種稱作Apriori的重要性質(zhì)用于壓縮搜索空間。Apriori性質(zhì)：頻繁項集的所有非空子集也必須是頻繁的。如何在算法中使用Apriori性質(zhì)？主要有兩步過程組成：連接步和剪枝步。（1）連接步：為找Lk,通過將L（k-i）與自身連接產(chǎn)生候選K項集的集合。該候選項集合記作Ck。設l1和l2是Lk-1中的項集。記號hj表示li中的第j項。執(zhí)行Lg）連接L（k-i）,如果它們的前（K-

13、2）項相同的話，其中Lg）的元素是可連接的。（2）剪枝步：為壓縮Ck,可以用Apriori的性質(zhì)：任何非頻繁的（K-1）項集都不是頻繁K項集的子集。因此，如果候選K項集的（K-1）項子集不在Lg）中，則該候選也不可能是頻繁的，從而可以從Ck中刪除。 算法舉例Apriori算法的偽代碼Input:DB,min_supOutput:result=所有頻繁項集的他們的支持度方法：Result:=;K:=1;Ci：=所有的1-項集While（Ck）dobegin為每一個Ck中的項集生成一個計數(shù)器；For（i=1;i<DB;i+）begin對第i個記錄T支持的每一個Ck中的項集，其計

14、數(shù)器加1；endLk：=Ck中滿足大于min_sup的全體項集；Lk支持度保留；Result:=Result?LKCk+i:=所有的(k+1)-項集中滿足其k-子集都在Lk里的全體；k=k+1;enddo下面舉個例子來說明Apriori算法。設某個數(shù)據(jù)庫中有9個事務。即|D|=9。使用圖1.2解釋Apriori算法發(fā)現(xiàn)D中的頻繁項集表1.1某超市的銷售項目的事務記錄TIDItemsT10011,12,13T200I2J4T300I2J3T40011,14T500I1J3T60012,13T700I1J3T800I1J2J3J5T90011,12,13(1) 在算法的第一次迭代時，每個項都是候選

15、1項集的集合C1的成員。算法簡單地掃描所有的事務，對每個項的出現(xiàn)次數(shù)計數(shù)。(2) 假設最小支持度計數(shù)為2,即，min_sup=2?？梢钥隙l繁1項集的集合L1。(3) 為了發(fā)現(xiàn)頻繁2項集的集合L2,算法使用L1和L1的連接C2。注意，在剪枝步中，沒有候選從C2中刪除，因為這些候選的每個子集也是頻繁的。(4) 掃描數(shù)據(jù)庫D中的事務，累方tC2中每個候選相集的支持計數(shù)，如圖1.2的第二行中間的表所示。(5) 然后確定頻繁2項集的集合L2,它由C2中滿足最小支持度的候選2項集組成。(6) 候選3項集的集合C3的產(chǎn)生要用到Apriori的逐層搜索技術，頻繁項集的所有子集都必須是頻繁的，給定一個候選k項

16、集，只需要檢查它們的(k-1)項集是否頻繁。如圖1.2中的第三行的第一個表所示。(7) 掃描D中事務以確定L3,它由C3中滿足最小支持的的候選3項集組成，如圖1.2中的第三行的第三個表所示。(8) 算法使用L3和L3連接產(chǎn)生候選4項集C40盡管會產(chǎn)生結果I1,I2,I3,I5,但是這個項集被剪去，因為它的子集I2,I3,I5不是頻繁白所以C4=空集，所以算法終止，找出所有的頻繁項集。由L性成,凝集J候選項集C3I1J2J3并對每個候選計數(shù)s候選項集0選出支持度>2的項集>頻繁項集L3I1J2J32I1J2J32I1J2J5I1J2J52I1J2J52圖6.2候選相集合頻繁項集的產(chǎn)生

17、，最小支持度為2掃描D,對于 每個候選集計數(shù)候選項集C1TIDItems116127136142152選出支持度 乂的項集頻繁項集LITIDItems116127136142152由L生成候選集伍候選項集a掃描D,并對 每個候選計數(shù)候選項集C2I1J2I1J24選出支持度 乂的項集113I1J34頻繁項集L2I1J4I1J41I1J24I1J34I1J5I1J522f3I2J34I1J524I2J4I2J42I2J34215I2J52I2J42I3J4I3J4012,15213,15I3J5141514,1502.用Matlab實現(xiàn)關聯(lián)規(guī)則2.1Matlab概述Matlab是由美國mathwo

18、rks公司發(fā)布的主要面對科學計算、可視化以及交互式程序設計的高科技計算環(huán)境。它將數(shù)值分析、矩陣計算、科學數(shù)據(jù)可視化以及非線性動態(tài)系統(tǒng)的建模和仿真等諸多強大功能集成在一個易于使用的視窗環(huán)境中，為科學研究、工程設計以及必須進行有效數(shù)值計算的眾多科學領域提供了一種全面的解決方案，并在很大程度上擺脫了傳統(tǒng)非交互式程序設計語言（如C、Fortran）的編輯模式，代表了當今國際科學計算軟件的先進水平。Matlab的基本數(shù)據(jù)單位是矩陣，它的指令表達式與數(shù)學、工程中常用的形式十分相似，故用MATLAB來解算問題要比用C,FORTRAN等語言完成相同的事情簡捷得多，并且MATLAB也吸收了像Maple等軟件的優(yōu)

19、點，使MATLAB成為一個強大的數(shù)學軟件。由于Matlab使用矩陣作為其基本數(shù)據(jù)單位，所以使用Matlab進彳AApriori算法的編輯有著先天的優(yōu)勢，可以使代碼簡潔易懂。下面就來介紹用Matlab編寫的Apriori算法。2.2基于Matlab的Apriori算法采用的原始數(shù)據(jù)是上節(jié)表1.1的某超市的銷售項目的事務記錄。以下為基于Matlab的Apriori算法的源代碼以及相關解釋。sup=2;%假設支持度為2shw=11001;01010;01100;11010;10100;01100;10100;11101;11100;0表示。將%sh提事務矩陣，行表示一個事務，列表示項目；若某一事務沒

20、有某項，則該項目用上述表1.1的數(shù)據(jù)表示為事務矩陣，每個項目都用數(shù)字表示。shw=110010101001100110101010001100101001110111100m1,n1=size(shw);m1=9n1=5%尋找1項集col=(1:n1)'col=1234countsup=sum(shw,1)'count_sup=67622temp=find(count_sup>=sup);Iemp=2%求出所有彳It選項集 C1的支持度%查找候選項集C1中支持度2的項集，生成頻繁項集L1col=col(temp);count_col_sup=count_sup(temp)

21、;%產(chǎn)生2項集i=0;j=0;co2=nchoosek(col,2); %co2 =121314152324253435產(chǎn)生候選項集C2L1=colcount_col_sup;m2,n2=size(co2);count_co2_sup=zeros(m2,1);fori=1:m2forj=1:m1if(shw(j,co2(i,1)=1)&&(shw(j,co2(i,2)=1)count_co2_sup(i)=count_co2_sup(i)+1;endj=j+1；end查找候選項集C2支持度2的項集，生成頻繁項L2endtemp=find(count_co2_sup>=su

22、p);%co2=co2(temp,:);count_co2_sup=count_co2_sup(temp,:);L2=co2count_co2_sup;L2124134152234242252%尋找3項集A乖o2(:,1)co2(:,2);A121315232425mA,nA=size(A);B(1)=A(1);k=2;fori=1:mAforj=1:nAif(A(i,j)=B(1:end)%查找重復出現(xiàn)的商品號B(k)=A(i,j);k=k+1;%B=12354endj=j+1;endi=i+1;產(chǎn)生候選項集C3endco3=112311251124113511341154235234254

23、354co3=nchoosek(B,3);%m3,n3=size(co3);count_co3_sup=zeros(m3,1);fori=1:m3forj=1:m1if(shw(j,co3(i,1)=1)&&(shw(j,co3(i,2)=1)&&(shw(j,co3(i,3)=1)count_co3_sup(i)=count_co3_sup(i)+1;endj=j+1；endm3=m3+1;endtemp=find(count_co3_sup)>=sup);%查找候選項集C3支持度>2的項集，生成頻繁項L3co3=co3(temp,:);count

24、_co3_sup=count_co3_sup(temp,:);L3=co3count_co3_sup;l3=12321252%尋找4項集C=co3(:,1)'co3(:,2)'co3(:,3)'mC,nC=size(C);D(1)=C(1);K=2;fori=2:nCif(C(i)=D(1:end)%查找重復出現(xiàn)的商品號D(K尸C(i)；K=K+1;endi=i+1;endco4=nchoosek(D,4);m4,n4=size(co4);count_co4_sup=zeros(m4,1);fori=1:m4forj=1:m1if(shw(j,co4(i,1)=1)&a

25、mp;&(shw(j,co4(i,2)=1)&&(shw(j,co4(i,3)=1)&&(shw(j,co4(i,4)=1)count_co4_sup(i)=count_co4_sup(i)+1;endj=j+1;endendtemp=find(count_co4_sup)>=sup);co4=co4(temp,:);count_co4_sup=count_co4_sup(temp,:);L4=co4count_co4_sup;C4=Emptymatrix:0-by-5上述基于Matlab的Apriori算法的結果與上節(jié)的圖6.2一致，由于C4是空

26、集，所以算法終止，共找到頻繁項集Li,L2,L303.用java實現(xiàn)關聯(lián)規(guī)則3.1java界面描述運行程序Apriori,進入關聯(lián)規(guī)則主界面，如圖3.1所示10圖3.1關聯(lián)規(guī)則主界面點擊“載入”選擇“g:/1.txt”，選擇“打開”，載入到java界面中，如圖3.2所示圖3.2載入界面12載入完成后的界面，如圖3.3所示圖3.3載入完成界面輸入最小支持度閾值，如2,點擊“生成頻繁項集”，生成所有頻繁項集，如下圖3.4所示圖3.4頻繁項集14輸入最小可信度的值，如0.6,點擊生成關聯(lián)規(guī)則，結果如下圖3.5所示圖3.5關聯(lián)規(guī)則3.2java關鍵代碼描述1、刪除小于支持度的鍵publicvoidre

27、rnovelJotSupportKey(Hashtblelit)Stringstr=supportkgetText();intj=Integer1門st)；Set5=ht.keySet();for(Iteratori=sAtertor();i.hdsFJext();)if(Integer(String)hriget(i.next()<j)i,renio;e();)2、創(chuàng)建并返回Li的結果集21publicStringcreateLl()Stringstr=for(inti=0;i<info,length;i-Hr)for(intj=C;j<infoi.length;j+)if

28、(Ihtl.containsKey(infolj)elsehtl<pirtlnfpljjfjj,Integer.parselnt(Strlng>ht1+1+)removeflotSupportkey(ht1);str="LI如下：”+eiT;5tp=str+print(htJ)+MnM;returnstr;3、創(chuàng)建并返回L2的結果集publicStringcreateL2()Stringstr=str=createLl();Sets-htl.keyset();for(Iteratoriter=s.iter<aror);iterJidsNext();)Objecto=

29、iter.next();千or(int1=O;i<info,length;i-*-*-)for(intj-e；j<infoi.length-1;if(o.equals(infoij)-f-Qi'(intk=j1;k<infoi.length;k-r-t-(if(Sthis+contain(ht2keyset(),Stringo,infoik|>null)Itemitem=h電mItein(String)infoik)；ht2.putitem,elseObjectkey-this*findKey(ht2-keyset()>(String)o,infoikjn

30、ull);ht2.put(key,Integer(String)lit2,get(key)break;removeUctSupportKey(ht2);str=str+'"L2如下："+"n"str=str+print(ht2)+"Xn"str-strt"'treturnstr;4、創(chuàng)建并返回L3的結果集publicstringcr)Stringstr=""str=rrealeL2();Sets=ht2-keySetf);fair(Iteratoriter=S.iterator();ite

31、r.hdElleAt()j>Itemo=(Item)iter,next();for(inti-0;i<info.length;1+t)(for(lotj=ft;j<infoi,length-1;j+)if(o,getA().equalsfinfoij>&&.a.getB(1.eqiiiAls(ln-roij+1)S&j+i<length)-for(intk=j+2ik<-Length;k+)if(1this.contdin(.keyset(),o.getA()o.getB()infoikD)Itentitent=neiuItefn(o

32、.getA(J,cgetB()finfoij+2);hZ3.put(iterri,"1");卜elseObjectke/this.findKey(ht3.keySet()jo.gEA(3o.getB(),info(i)k);?t3put(ky,Integer(String)h亡三.Setkey)+1+",1)；>)break;rmovellotSuipportKey(/?t3);str-str+”LM如下,"n"str-str+print(hr3)+，"n''strstr+"n"jreturn

33、str;)5、在健集keyset里查找健值為a,b,c的健publicObjectfindKey(Se±keysetStringd：Stringb,Stringc>if(b=null)fortIt:er<itor1=keyset.iterator()j,1.hasHext();)Objectn=i,next(J-if(h,equals(returnir*；)if(c-nullSl&b!null)For(Iteralzorx-keyseTiteraTorC)_;i.Ihasllex"t();Objectiii-i.next();Itetnir-(Item)

34、n;if(it.getA().equals(ai)&笈in.gei:B().equals(b)returnn;elseif(c!=null)for(工七正Lnti=keyset-ItertorO；五】自三乂t()：)objectri=i.(>TtIt=<Ttetn)”;if(it.gc*tAf).«c|ui1s(J>&&it.getB().equjl£(b>&&itg*5t(>.qtijls<c>>returnn;卜)returnnull;6、判斷在健集keyset里是否已經(jīng)包含了健值為

35、a,b,c的健publicbooleancontdin(SetkeysetStringa,Stringb,Stringc)if(c=-null)for(Iteratori=keyset.iterator(;i.hasfJext();)Itetnit=(Item)i.*1ext();if(it.getA(),equals(a)&&lt.getB().equals(b)returntrue;elseif(c!=null)for(Iteratori=keyset.itertor();i.hasnext();)Itemit=(Item)i.next();if(it.getA().equ

36、als(a)&&it.getB().eqiidls(b)&git,get<().equdls(c)returntrue;returnfalse;7、創(chuàng)建關聯(lián)規(guī)則，返回關聯(lián)規(guī)則表publicStringcreteTrn5P.ule()Stringresult=Stringstr=L.getTextf);doubled-Double,vcriaeOf(str);Sets=tJ.keySet();intsubean=0;for(Iteratori=s.itertart)ji+hasiiext()；)工ternnext-(Iteni)i+next();Stringa=nx

37、t.getA();Stringb=next.getB);Stringc=nexthgetC();StringfL-newStringa,b.c;ArryListsubSet=this.gtSubSet(L);for(Iteratorit=subSet.iterator();it.hasHext();)StringsetII=(String)it.next();if(sexh0!-null&&setNl-null)Objectkey=this.findKeyhtl.keyset(),setU0,setUl,setH2);subton=Integer.parseJr；T(Strin

38、g)ht1.get(key);elseif(setN0!-null&&setril1-null&&sM2=null)Objectkey=this.findKey(ht2.keySet()jsetIIGjsetN1>setH2);suibCon-Integer.parseint(String)ht2.get(key)>if(setJJG=null&&eettlfl!=null&&SetN2'=null)Objectkey=this.-FincKey(t.keySetO,setUQ,setU1>setll2&

39、gt;subCon=Integer(String).get(key);doubleLtoii=Bauble.pcjrseOLnjbie(String)t3.get(next);if(LCon/mubSiti)-d>=0!=null)StringNthis,geti>ius(oLLect(setiiL);if(setHQnull)setM0="1if(setl|1=unull)-1'"iif(setH2=null)setH2=""；川result=result+setflfej+setll1十setll2+r,=->"+

40、il0+fi1+內(nèi)2+"s叩part(L)與support(d)的。值："+L(on/subConT"n"returnresult;8、求a與L的差集，并返回差集publicStringgetflinusCollectStringfa*StringL)StringLL=L.clone();for(inti=G;i<L.length;i+)for(intj=0;j<a.leiigrli;j+)if(Li,equal5(aj)LLi=break;returnLL;9、獲取setN的子集。假設setN=a,b,c,則生成的子集為XXXpublicArrayListgetSubSet(Stringsetll)intleugth=setF1.1ength;inti;inta=1<<length;StringsubSet=newStringl<<lengthsetN.length;for(