Spark 的基于 RDD 的 Apriori 算法挺有意思的，适合大数据频繁项集挖掘。Apriori 算法最初是在 Hadoop 上实现的，但由于 Hadoop 的 I/O 性能问题，迭代算法时有点拖后腿。Spark 作为一个内存计算平台，速度相当快，而且适合做这种迭代任务。多 Spark 上的 Apriori 实现都会用哈希树、Trie 或者哈希表 Trie 作为基础数据结构。实验表明，尽管这些数据结构的表现差别不大，但在 Spark 分布式环境下，Trie 和哈希表 Trie 比哈希树更高效，性能提升。
如果你对大数据挖掘感兴趣，尤其是频繁项集算法，不妨研究一下这些数据结构的实现。你可以看看相关文献，了解不同实现方式的性能差异，这样能你在实际应用中做出更合适的选择。
如果你是 Spark 的使用者，了解这些不同的数据结构选择可以你优化算法的效率，提升整个应用的性能。实验结果也表明，这些优化不只是在理论上有意义，实际运行中的差异也，值得一试。