频繁项集挖掘里，FP-Growth可以说是性价比挺高的一个算法。它不靠一遍遍地扫数据，而是搭了个叫FP 树的结构，把重要信息一次性存起来，省时又省空间。

构建这棵树的时候也不复杂，先把项按频率排好，再按顺序塞进树里。最妙的是，每个频繁项都能拆出来建一棵小树，继续挖掘——这就叫条件 FP 树。嗯，递归，效率还真不错。

有意思的是，Christian Borgelt写了个C 语言实现，性能蛮不错，还整了个叫FP-Bonsai的剪枝方法，能自动把没用的项砍掉，进一步加速。

想拿它做点项目，比如超市购物，或者推荐系统啥的，用它来找出用户常买的商品组合，还蛮实用的。

如果你想上手，可以看看他和别人的对比实验，和Apriori、Eclat比下来，FP-Growth 在大数据量场景下优势挺的。

哦对了，这里有个 FP-Growth 的关联规则挖掘实现，适合直接跑跑试试。

如果你打算搞个前后端结合的可视化项目，比如用JSP+ECharts来展示挖掘结果，那也有现成的资源可以参考，这套结合 Python 爬虫的项目还不错。

，如果你懒得写 Apriori 那一大堆候选集判断的逻辑，不妨试试 FP-Growth，逻辑清晰、性能稳定，挺适合直接嵌进项目里跑。