ECLAT关联规则挖掘 等价类转换关联规则挖掘算法的Python实现 我在无聊的时候写了这篇文章，并希望找到一个很好的算法来加快Cython的速度。 不幸的是，这个问题并不能轻易实现优化（而频繁模式挖掘的FP-tree方法要快得多）。 该算法在其擅长的各种数据集上（存储10个具有100万条记录的商品的商店）仍然非常快，但是在1000个具有1000条记录的商品的数据集上，它会显得很笨拙。 我的工作很乱。 也许我会回去整理一天。

基于Apriori算法的多维关联规则挖掘研究，从单维扩展到多维，可以给到一个思路上的启发

Matlab数据关联规则挖掘的工具箱(含使用手册)

基于Apriori算法的关联规则挖掘 代码纯C实现

有生成的界面，基于C#编写的代码，包含关联规则的生成和频繁集的挖掘

关联规则挖掘 Apriori算法关联规则挖掘 Apriori算法关联规则挖掘 Apriori算法关联规则挖掘 Apriori算法关联规则挖掘 Apriori算法

“尿布与啤酒”——典型关联分析案例 采用关联模型比较典型的案例是“尿布与啤酒”的故事。在美国，一些年轻的父亲下班后经常要到超市去买婴儿尿布，超市也因此发现了一个规律，在购买婴儿尿布的年轻父亲们中，有30%～40%的人同时要买一些啤酒。超市随后调整了货架的摆放，把尿布和啤酒放在一起，明显增加了销售额。同样的，我们还可以根据关联规则在商品销售方面做各种促销活动。

大数据分析技术-关联规则挖掘

基于聚类的关联规则挖掘算法的研究及应用.pdf

FPGrowth-python 此实现基于 。 输入文件格式 python 脚本接受以下格式的输入文件： f,c,a,m,p f,c,b 或者 f c a m p f c a 与 IBM Quest Synthetic Data Generator 和以生成 csv 文件。 如何使用 首先使main.py可执行。 chmod +x main.py 运行 FP-Growth 算法 ./main input_file minsup minconf 输出 该程序首先打印频繁模式： { frequent itemset } (support of the frequent item set) 例如。 { a } ( 3 ) { a c } ( 3 ) { a c f } ( 3 ) { a f } ( 3 ) ... 之后它会打印规则： { frequent itemset