数据关联规则（Associaton Rules,AR）是数据挖掘算法的重要目的之一，用于在海量数据中挖掘出具有价值的信息，通常在商业中用于数据与数据指尖的关系来产生更大的价值，典型的例子就是“啤酒与尿不湿”。
1、基于Apriori算法的关联分析
Apriori算法是关联规则分析中较为典型的频繁项集算法。
原理步骤：
（1）对数据中每一项数据进行频率次数统计；
（2）构成候选项集C1，计算每一项的支持度（频率次数/总数）；
（3）根据给定的最小支持度值，对候选集进行筛选，得到频繁项集L1。即去掉支持度小于最小支持度的候选集；
（4）对频繁项集L1进行连接生成候选集C2，重复上述步骤，最终形成频繁K项集或者最大的频繁项集。
例如如果已知步骤2中的候选项集C1：
C1表
候选项集支持度牛奶0.5饼干0.75纸巾0.25矿泉水0.75口香糖0.75 假定最小支持度为0.5，排除矿泉水，对其他四项候选集进行连接，生成候选集C2,并计算其支持度。
候选项集支持度牛奶、饼干0.25牛奶、纸巾0.50牛奶、口香糖0.25饼干、纸巾0.50饼干、口香糖0.75纸巾、口香糖0.50 假定最小支持度为0.5，排除牛奶、饼干和牛奶、口香糖这两项，对其他四项候选集进行连接，生成候选集C3,并计算其支持度。一直重复以上步骤。得到最终的频繁项集
频繁项集 支持度饼干、纸巾、口香糖0.5 商店根究获得的这条数据可以判断饼干、纸巾和口香糖之间的关系很大，因此可以将这三种商品放在一起出售。
以上的算法步骤很简单，但存在一定的不足：
（1）在产生候选集连接项时会有很多的组合，其中有的组合可能存在无关的数据。
（2）每次计算项集的过程都会对原始数据表进行扫描，如果数据量较大时，cpu开销较大。
因此提出了改进的Apriori算法。
（1）将数据表进行压缩。由于要进行多次扫描，压缩后可以提升性能；
（2）利用哈希表的快速查找特征性对项集进行计数统计；
（3）合理选样。当数据样本过大时，通过不同的方法进行抽取分析。例如，如果根据七天的数据进行分析，可以抽取每条的数据，进行分析。
2、TF-Growth算法
虽然Apriori算法进行了改进，但是仍然要对原始数据进行不停的扫描，这样还是会影响性能。TF-Growth算法只对原始数据进行两次扫描，通过建立FP树，对原始数据进行压缩。FP树就是频繁模式树（Frequent Pattern Tree）,包含一颗前缀树和一个频繁项头表，能后有效的加快关联数据分析。
3、Eclat算法
Eclat算法利用倒排索引思想，但并不是利用倒排索引进行快速查找，而是进行数据统计。利用倒排索引快速构建频繁索引项集。