Apriori 算法的最大问题之一就是它需要多次扫描数据表，尤其在频繁项集多的情况下，计算成本会急剧增加。如果频繁集最多只有 10 个项，那么你得扫描交易数据表 10 遍，想想就知道那会带来多大的 I/O 负担。再比如，如果有 100 个项目，候选项的数量会爆炸性增加。这也是为什么多开发者在大量数据时，不太倾向于使用 Apriori 算法，尤其是在实时性要求比较高的场景。不过，针对这些问题，许多优化算法应运而生，像是剪枝策略就能有效减少计算量，让 Apriori 算法在某些场景下仍然有用。，Apriori 算法适合用于数据集较小、项集比较稀疏的场景。如果你的数据集庞大，或者频繁项集较复杂，最好考虑其他算法。

如果你对 Apriori 算法的优化感兴趣，可以看看以下几个相关资源，了解如何高效使用它，避免不必要的计算消耗。