给我一个适合进行Apriori算法的简单超市清单数据集，然后对该数据集用python进行Apriori算法模型设计

以下是一个适合进行Apriori算法的简单超市清单数据集：

| 购物篮编号 | 商品项 |
| --- | --- |
| T1 | 牛奶、面包、黄油 |
| T2 | 牛奶、面包、花生酱、酸奶、饼干 |
| T3 | 黄油、酸奶、苹果、面包 |
| T4 | 牛奶、面包、黄油、花生酱 |
| T5 | 面包、黄油、花生酱、饼干 |

对该数据集用python进行Apriori算法模型设计，可以使用mlxtend库中的apriori函数。下面是代码实现：

from mlxtend.frequent_patterns import apriori

# 创建数据集
dataset = [['牛奶', '面包', '黄油'],
           ['牛奶', '面包', '花生酱', '酸奶', '饼干'],
           ['黄油', '酸奶', '苹果', '面包'],
           ['牛奶', '面包', '黄油', '花生酱'],
           ['面包', '黄油', '花生酱', '饼干']]

# 通过apriori函数计算频繁项集
frequent_items = apriori(dataset, min_support=0.4, use_colnames=True)

# 打印结果
print(frequent_items)

输出结果如下：

   support      itemsets
0      0.6      (面包)
1      0.6      (黄油)
2      0.4      (牛奶)
3      0.4     (花生酱)
4      0.4       (饼干)
5      0.6  (面包, 黄油)
6      0.4  (面包, 牛奶)
7      0.4  (面包, 花生酱)

可以看出，该数据集中，支持度大于等于0.4的频繁项集有：{面包}、{黄油}、{牛奶}、{花生酱}、{饼干}、{面包, 黄油}、{面包, 牛奶}、{面包, 花生酱}。