首先导入包含apriori算法的mlxtend库， pip install mlxtend 调用apriori进行关联规则分析，具体代码如下，其中数据集选取本博客 “机器学习算法——关联规则” 中的例子，可进行参考，设置最小支持度（min_support）为0.4，最小置信度（min_threshold）为0.1， 最小提升度（lift）为1.0，对数据集进行关联规则分析， from mlxtend.preprocessing import TransactionEncoder from mlxtend.frequent_patterns import apriori from mlxte

matlab实现的apriori算法，内含关联规则，置信度，支持度

Apriori代码

1.基本概念及购物篮分析 2.Apriori算法及FP树（共107页）

Apriori算法C++, 基于C++实现，附详细注释。

基于内存优化和hash桶的Apriori改进算法---PCY(park-chen-yu)算法

关联规则Apriori算法Python实现带数据集，Apriori算法是一种挖掘关联规则的频繁项集算法，其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集。

用matlab实现的apriori。数据放在menu_orders中。cal_apriori执行算法。

本文通过对Apriori算法分析，应用散列、事务压缩、划分、抽样等方法，最大可能的减少数据库扫描的次数，快速发现频繁项集，提高Apriori算法的效率。

基于关联规则的Apriori和FP-growth算法.ipynb