1、经过分析，我决定使用Oranges进行关联规则的实现，原因如下：FP-growth算法比Apriori算法时间复杂度低Orange3是一整套数据挖掘工具包，学习后可以熟悉相关操作，进行其他的数据挖掘算法的研究
2、pymining不再维护，Orange3仍然是一个非常活跃的包，更新频繁Orange3实现的结果比较多，除了规则外，还能够计算出评价结果的相关数据
3、数据输入对于使用函数包来说，我们不用管函数实现的方法，只有研究数据输入的格式即可。Orange3的关联规则输入支持两种形式：布尔类型字符串类型
4、对于布尔类型每一个行向量代表一个属性是否存在的数据结构>>> X array([[False, True, ..., True, False], [False, True, ..., True, False], [ True, False, ..., False, False], ..., [False, True, ..., True, False], [ True, False, ..., False, False], [ True, False, ..., False, False]], dtype=bool)
5、比如上面的数据X，注意这个array(属于numpy里面的多维数组)。类型一定是bool才行。这个二维数组每一个行的维度都是一样的，这样得到的规则结果就是纯粹数组直接的关联规则，我们要自己讲对于规则的数字和属性名称对于起来。
6、比如结果可能是这样：>> rules [(frozenset({17, 2, 19, 20, 7}), frozenset({41}), 41, 1.0), (frozenset({17, 2, 19, 7}), frozenset({41}), 41, 1.0), ... (frozenset({20, 7}), frozenset({41}), 41, 1.0), (frozenset({7}), frozenset({41}), 41, 1.0)]1
