数据挖掘中关联挖掘算法比较典型的有Apriori和FP-growth算法．实验和研究证明FP-growth算法优于Apriori算法．但是针对大型数据库这两种算法都存在着较大缺陷，不仅要两次或多次扫描数据库，而且很难处理支持度和数据变化等关联规则更新问题．作者提出了基于模式矩阵的FP-growth改进算法，它至多扫描数据库一次，特别在更新问题上不用重新扫描数据库．通过实验结果分析，验证了这种改进算法相对于原有FP-growth算法的优势，特别在大数据集下，大大降低了挖掘的时间复杂度。

FP-Growth算法原代码

FP-growth算法在python中的实现，代码亲测可用，如果有 类似：'ascii' codec can't decode byte 0xe8 in position 0 的报错，请修改fpgrowth.py中的CreatFPtree中的下面两种： orderedItem = [v[0] for v in sorted(localD.iteritems(), key=lambda p:(p[1], -ord(p[0])), reverse=True)] # orderedItem = [v[0] for v in sorted(localD.iteritems(), key=lambda p:(p[1], int(p[0])), reverse=True)]

输入标注txt文件与预测txt文件路径，计算P、R、TP、FP与FN。txt格式为class、归一化后的矩形框中点x y w h，可调整IOU阈值

verilog-fp 浮点协处理器（Verilog）

100MHz双踪虚拟示波器电路 原理图+ARM源代码+FPGA源代码

FP_PL_PFS_INSTALLER 火狐flash插件离线安装包 flash10 flash10安装包

本书是《Types and Programming Languages》的升级版，讲解更深入的类型知识

基于《机器学习实战》中FP-Growth的代码修改形成的频繁项集挖掘函数FP_Growth（），可显示各频繁项集的支持度；同时，还包括关联规则发现函数findRules（）。

松下Nais FP 系列PLC解密