apriori算法是關聯規則挖掘中很基礎也很經典的一個算法，我認為很多教程出現大堆的公式不是很適合一個初學者理解。因此，本文列舉一個簡單的例子來演示下apriori算法的整個步驟。
下面這個表格是代表一個事務數據庫D，其中最小支持度為50%，最小置信度為70%，求事務數據庫中的頻繁關聯規則。
| Tid | 項目集 |
| 1 | 面包，牛奶，啤酒，尿布 |
| 2 | 面包，牛奶，啤酒 |
| 3 | 啤酒，尿布 |
| 4 | 面包，牛奶，花生 |
apriori算法的步驟如下所示:
(1)生成候選頻繁1-項目集C1={{面包}，{牛奶}，{啤酒}，{花生}，{尿布}}。
(2)掃描事務數據庫D，計算C1中每個項目集在D中的支持度。從事務數據庫D中可以得出每個項目集的支持數分別為3,3,3,1,2，事務數據庫D的項目集總數為4，因此可得出C1中每個項目集的支持度分別為75%，75%，75%，25%，50%。根據最小支持度為50%，可以得出頻繁1-項目集L1={{面包}，{牛奶}，{啤酒}，{尿布}}。
(3)根據L1生成候選頻繁2-項目集C2={{面包，牛奶}，{面包，啤酒}，{面包，尿布}，{牛奶，啤酒}，{牛奶，尿布}，{啤酒，尿布}}。
(4)掃描事務數據庫D，計算C2中每個項目集在D中的支持度。從事務數據庫D中可以得出每個項目集的支持數分別為3,2,1,2,1,2，事務數據庫D的項目集總數為4，因此可得出C2中每個項目集的支持度分別為75%，50%，25%，50%，25%，50%。根據最小支持度為50%，可以得出頻繁2-項目集L2={{面包，牛奶}，{面包，啤酒}，{牛奶，啤酒}，{啤酒，尿布}}。
(5)根據L2生成候選頻繁3-項目集C3={{面包，牛奶，啤酒}，{面包，牛奶，尿布}，{面包，啤酒，尿布}，{牛奶，啤酒，尿布}}，由於C3中項目集{面包，牛奶，尿布}中的一個子集{牛奶，尿布}是L2中不存在的，因此可以去除。同理項目集{面包，啤酒，尿布}、{牛奶，啤酒，尿布}也可去除。因此C3={面包，牛奶，啤酒}。
(6)掃描事務數據庫D，計算C3中每個項目集在D中的支持度。從事務數據庫D中可以得出每個項目集的支持數分別為2，事務數據庫D的項目集總數為4，因此可得出C2中每個項目集的支持度分別為50%。根據最小支持度為50%，可以得出頻繁3-項目集L3={{面包，牛奶，啤酒}}。
(7)L=L1UL2UL3={{面包}，{牛奶}，{啤酒}，{尿布}，{面包，牛奶}，{面包，啤酒}，{牛奶，啤酒}，{啤酒，尿布}，{面包，牛奶，啤酒}}。
(8)我們只考慮項目集長度大於1的項目集，例如{面包，牛奶，啤酒}，它的所有非真子集{面包}，{牛奶}，{啤酒}，{面包，牛奶}，{面包，啤酒}，{牛奶，啤酒}，分別計算關聯規則{面包}—>{牛奶，啤酒}，{牛奶}—>{面包，啤酒}，{啤酒}—>{面包，牛奶}，{面包，牛奶}—>{啤酒}，{面包，啤酒}—>{牛奶}，{牛奶，啤酒}—>{面包}的置信度，其值分別為67%，67%，67%，67%，100%，100%。由於最小置信度為70%，可得}，{面包，啤酒}—>{牛奶}，{牛奶，啤酒}—>{面包}為頻繁關聯規則。也就是說買面包和啤酒的同時肯定會買牛奶，買牛奶和啤酒的同時也是會買面包。