1.关联分析
关联分析是从大量数据中发现项集之间的相关联系。关联分析的一个典型例子是购物篮分析。该过程通过发现顾客放人其购物篮中的不同商品之间的联系，分析顾客的购买习惯。通过了解哪些商品频繁地被顾客同时购买，这种关联的发现可以帮助零售商制定营销策略。其他的应用还包括价目表设计、商品促销、商品的排放和基于购买模式的顾客划分。
2.相关概念
支持度：A、B同时发生的概率Support(A==>B)=P(A and B)
置信度：如果A发生，B发生的概率Confidence(A==>B)=P(B|A)
3.Aprior算法
（1）原理
Aprior算法是一种找频繁项目集的基本算法。其基本原理是逐层搜索的迭代：频繁K项Lk集用于搜索频繁（K+1）项集Lk+1，如此下去，直到不能找到维度更高的频繁项集为止。
这种方法依赖连接和剪枝这两步来实现。算法的第一次遍历仅仅计算每个项目的具体值的数量，以确定大型1项集。随后的遍历，第k次遍历，包括两个阶段。
首先，使用在第（k-1）次遍历中找到的项集Lk-1和产生候选项集Ck。
接着扫描数据库，计算Ck中候选的支持度。用Hash树可以有效地确定Ck中包含在一个给定的事务t中的候选。如果某项集满足最小支持度，则称它为频繁项集。
（2）步骤：
①设定最小支持度s和最小置信度c；
②Apriori算法使用候选项集。首先产生出候选的项的集合，即候选项集，若候选项集的支持度大于或等于最小支持度，则该候选项集为频繁项集；
③在Apriori算法的过程中，首先从数据库读入所有的事务，每个项都被看作候选1-项集，得出各项的支持度，再使用频繁1-项集集合来产生候选2-项集，因为先验原理保证所有非频繁的1-项集的超集都是非频繁的；
④再扫描数据库，得出候选2-项集集合，再找出频繁2-项集，并利用这些频繁2-项集集合来产生候选3-项集；
⑤重复扫描数据库，与最小支持度比较,产生更高层次的频繁项集，再从该集合里产生下一级候选项集，直到不再产生新的候选项集为止。
（3）程序实现：
python自带库里没有Aprior模块，可以去网上自己下载，然后封装成自定义模块，放在~/python/Lib/目录下；也可以在程序里增加导入数据的模块，每次只要加入数据源即可。
4.FP-growth算法
（1）原理
FP-growth算法是基于Apriori原理的，通过将数据集存储在FP（Frequent Pattern)树上发现频繁项集，但不能发现数据之间的关联规则。FP-growth算法只需要对数据库进行两次扫描，而Apriori算法在求每个潜在的频繁项集时都需要扫描一次数据集，所以说Apriori算法是高效的。
（2）步骤
①扫描第一遍数据库，找出频繁项；
②将记录按照频繁项集的支持度由大到小顺序重新排列；
③扫描第二遍数据库，产生FP-tree；
④得到频繁项集。
（3）实例
数据如下：
其FP-tree为：
