候选数据

L1产生候选集C2： 项集 ｛I1，I2｝｛I1，I3｝｛I1，I4｝｛I1，I5｝｛I2，I3｝｛I2，I4｝｛I2，I5｝｛I3，I4｝｛I3，I5｝｛I4，I5｝

由L1产生候选集C2：项集｛I1，I2｝，｛I1，I3｝，｛I1，I4｝，｛I1，I5｝，｛I2，I3｝，｛I2，I4｝，｛I2，I5｝，｛I3，I4｝，｛I3，I5｝，｛I4，I5｝。

在数据挖掘领域，关联分析是一种重要技术，而候选序列生成是关联分析中的关键步骤。 为了有效地生成候选序列，一种常见的方法是合并频繁的较短序列。具体来说，通过合并两个频繁的 (k-1)-序列，可以产生候选的 k-序列。 为了避免重复生成候选序列，可以采用类似于 Apriori 算法的策略。例如，只有当两个 (k-1)-序列的前 k-2 项相同时，才进行合并操作。 以下示例演示了如何通过合并频繁 3-序列来生成候选 4-序列： 合并 <{1 2 3}> 和 <{2 3 4}>，得到 <{1 2 3 4}>。 由于事件 3 和事件 4 属于第二个序列的不同元素，因此它们在合并后的序列中也属于不同的元素。 合并 <{1 3 4}> 和 <{3 4 4}>，得到 <{1 3 4 4}>。 由于事件 3 和事件 4 属于第二个序列的相同元素，因此将事件 4 合并到第一个序列的最后一个元素中。

在Apriori算法中，对于集合 {I1, I2, I4} 和 {I1, I3, I4}，无需进行连接操作。因为连接操作的目的是为了发现更高阶的频繁项集，而这两个集合的并集 {I1, I2, I3, I4} 无法通过连接操作直接得到。 虽然不进行连接操作可能会导致遗漏潜在的频繁项集 {I1, I2, I3, I4}，但 Apriori 算法通过逐层迭代的方式生成候选项集，能够在后续步骤中通过其他频繁项集的组合发现该项集。因此，省略 {I1, I2, I4} 和 {I1, I3, I4} 之间的连接操作不会影响最终结果的完整性。

在候选产生阶段，通过边增长将新边插入现有频繁子图中。与顶点增长不同，结果子图的顶点数未必增加。通过边增长产生候选子图的过程如下：当从频繁子图g1中删除一条边后得到的子图与从g2中删除一条边后得到的子图拓扑等价时，g1与g2合并。合并后的子图包括g1并增加g2的额外边。

在机器学习领域，生成候选集与频繁项集是重要的步骤。如果项集支持度计数不符合条件，如A,B,D和B,C,E，就不属于C3。具体的项集支持度计算显示，A,Bt4t、A,Ct4t、A,Et2t、B,Ct4t、B,Dt2t、B,Et2t是常见的组合。对于2-项集和3-项集的频繁计算，也是非常关键的。

此代码可用于将文件中的数据提取至另一文件中，中间不读取至内存，满足大数据处理需求，适用于负荷曲线大数据提取。

数据仓库和数据挖掘在数据架构中扮演着重要角色。数据仓库负责存储大量历史数据，而数据挖掘则从中提取有价值的信息。

深入浅出解析大数据与数据挖掘，了解数据分析领域前沿技术。

使用 Python pandas 和第三方包演示功能的数据集，包含于《利用 Python 进行数据分析》中。