Apriori 算法的 Java 代码实现，结构清晰，逻辑也蛮顺的，适合拿来学习关联规则挖掘的基本流程。ArrayList+HashMap组合拳搞定事务存储和频繁项集，嗯，挺经典的做法。

事务数据库的读取用的是一个readTable方法，从 TXT 里按行读，每行按空格分，操作也不复杂。整个流程是：先拿最小项集（单个元素）开始，算支持度，剪一剪，符合的就进频繁项集，继续组合更大的项集，直到挖不出新货为止。

剪枝部分用的pruning方法，也挺直接，就是看哪个候选集支持度低就干掉哪个。支持度和置信度两个参数是关键，你可以手动设，比如min_support = 0.2这种。规则生成用的是强关联规则逻辑，像{A} → {B}这种，算一下support({A,B}) / support({A})，达标了就留下。

不过啊，如果你数据量一大，这玩意效率就下来了。建议你可以考虑用位向量存事务、搞点并行优化，甚至上Spark跑也行，是做零售、用户行为挖掘这种，还是挺能派上用场的。

另外，我这边整理了一些不错的相关文章，你可以一起看看：Apriori 算法详解、Java 实现细节，还有个图形化工具版的也挺方便：关联规则可视化。

如果你刚好在做数据挖掘相关项目，这份代码蛮适合拿来改改跑跑，理解一下Apriori的核心思路还是挺有的。