Python字典中多元素项集在交易列表中的出现次数统计

问题背景 #

现有交易字典：

transactions = {
   "T1": ["A", "B", "C", "E"],
    "T2": ["A", "D", "E"],
    "T3": ["B", "C", "E"],
    "T4": ["B", "C", "D", "E"],
    "T5": ["B", "D", "E"]
}

待统计的多元素项集列表：

items = [('B', 'C'), ('B', 'D'), ('B', 'E'), ('C', 'D'), ('C', 'E'), ('D', 'E')]

预期统计结果：

{('B','C'): 3, ('B', 'D'): 2, ('B', 'E'): 4, ('C', 'D'): 1, ('C', 'E'): 3, ('D', 'E'): 3}

现有函数仅支持单元素项集统计：

def get_num_occurrences(items, transactions):
    occurr = dict()
    for x in items:
        occurr[x] = 0
    for transaction in transactions.values():
        for item in transaction:
            occurr[item] += 1
    return occurr

需要修改该函数，使其支持二元、三元等任意长度的多元素项集统计。

通用实现方案 #

修改后的函数如下：

def get_num_occurrences(items, transactions):
    occurr = {item: 0 for item in items}
    # 将每个交易转换为集合，方便快速判断子集关系
    transaction_sets = [set(tx) for tx in transactions.values()]
    
    for item_set in items:
        for tx_set in transaction_sets:
            # 判断当前项集是否是该交易的子集
            if set(item_set).issubset(tx_set):
                occurr[item_set] += 1
    return occurr

逻辑说明 #

1. 初始化计数字典：用字典推导式直接初始化所有待统计项集的计数为0，比循环赋值更简洁高效。
2. 交易转集合：把每个交易列表转换成集合，利用集合的issubset方法可以快速判断一个项集是否完全包含在该交易中，这是适配多元素项集的核心逻辑。
3. 遍历统计：对每个待统计的项集，遍历所有交易集合，若项集是交易集合的子集，就给对应计数加1。这种方式不限制项集的长度，不管是1元、2元还是N元项集，都能正确统计出现次数。

内容的提问来源于stack exchange，提问作者LeGOATJames23