一、Apriori算法偽代碼實現：

　　偽代碼描述：

　　// 找出頻繁 1 項集

　　L1 =find_frequent_1-itemsets（D）;

　　For（k=2;Lk-1 ！=null;k++）{

　　// 產生候選，并剪枝

　　Ck =apriori_gen（Lk-1 ）;

　　// 掃描 D 進行候選計數

　　For each 事務t in D{

　　Ct =subset（Ck，t）; // 得到 t 的子集

　　For each 候選 c 屬于 Ct

　　c.count++;

　　}

　　//返回候選項集中不小于最小支持度的項集

　　Lk ={c 屬于 Ck | c.count》=min_sup}

　　}

　　Return L= 所有的頻繁集；

　　第一步：連接（join）

　　Procedure apriori_gen （Lk-1 ：frequent（k-1）-itemsets）

　　For each 項集 l1 屬于 Lk-1

　　For each 項集 l2 屬于 Lk-1

　　If（ （l1 ［1］=l2 ［1］）&&（ l1 ［2］=l2 ［2］）&& ……&& （l1 ［k-2］=l2 ［k-2］）&&（l1 ［k-1］《l2 ［k-1］） ）

　　then{

　　c = l1 連接 l2 // 連接步：產生候選

　　//若k-1項集中已經存在子集c則進行剪枝

　　if has_infrequent_subset（c， Lk-1 ） then

　　delete c; // 剪枝步：刪除非頻繁候選

　　else add c to Ck;

　　}

　　Return Ck;

　　第二步：剪枝（prune）

　　Procedure has_infrequent_sub （c:candidate k-itemset; Lk-1 ：frequent（k-1）-itemsets）

　　For each （k-1）-subset s of c

　　If s 不屬于 Lk-1 then

　　Return true;

　　Return false;

　　二、Apriori算法例子：

　　?

　　三、總結：

　　①Apriori算法的缺點：（1）由頻繁k-1項集進行自連接生成的候選頻繁k項集數量巨大。（2）在驗證候選頻繁k項集的時候需要對整個數據庫進行掃描，非常耗時。

　　②網上提到的頻集算法的幾種優化方法：1. 基于劃分的方法。2. 基于hash的方法。3. 基于采樣的方法。4. 減少交易的個數。

　　我重點看了“基于劃分的方法”改進算法，現在簡單介紹一下實現思想：

　　基于劃分（partition）的算法，這個算法先把數據庫從邏輯上分成幾個互不相交的塊，每次單獨考慮一個分塊并 對它生成所有的頻集，然后把產生的頻集合并，用來生成所有可能的頻集，最后計算這些項集的支持度。

　　其中，partition算法要注意的是分片的大小選取，要保證每個分片可以被放入到內存。當每個分片產生頻集后，再合并產生產生全局的候選k-項集。若在多個處理器分片，可以通過處理器之間共享一個雜湊樹來產生頻集。

　　看這個圖基本再對照偽代碼，基本就可以看懂了~簡單明了