现如今,随着信息技术的飞速发展,数据库中存储的数据也正以惊人的速度增长。为了更好地使用这些数据,数据挖掘技术应运而生,而关联规则作为数据挖掘的一个重要分支,主要用来发现数据中的有趣模式,已经在各个领域得到了广泛的研究和应用。整个寻找规则的过程大致可以分为两步:第一步是在事务数据库中,找到所有的频繁项集;第二步是基于第一步所得到的频繁项集,产生相应的关联规则。而在这两个步骤中,第一步是关键,这是因为:首先,频繁项集的挖掘是非常耗费时间的;其次,在第一步确定了频繁项集以后,第二步的求解就变得相当简单了。本论文首先介绍了数据挖掘相关的知识,接着着重讲解了关于挖掘频繁项集的算法,包括最为经典的Apriori算法和FP-growth算法,并针对传统的FP-growth算法所存在的缺陷,对其进行了部分改进优化,提出了对于单路径的条件FP树来说,只需要进行排列组合就可以得到频繁项集这一思想。本论文的最后一部分利用现如今最热门的编程语言Python实现了各个算法,然后通过一系列比较实验来对各个算法的性能效率进行了比较分析,同时也证实了改进后的算法在大规模的数据集上确实能够提高频繁项集挖掘的效率。