用sklearn中的方法实现apriori算法完整代码

由于Sklearn库本身并没有提供apriori算法的实现，因此下面给出的是使用OneHotEncoder类将数据集转换为适合进行关联规则挖掘的形式的完整代码：

from sklearn.preprocessing import OneHotEncoder
import numpy as np
from mlxtend.frequent_patterns import apriori

# 导入数据集
dataset = np.array([[1, 2, 3], [1, 2, 4], [2, 3, 4], [1, 2, 3, 4], [1, 3, 4]])

# 创建OneHotEncoder对象
onehotencoder = OneHotEncoder()

# 对数据集进行one-hot编码
dataset_encoded = onehotencoder.fit_transform(dataset).toarray()

# 使用Apriori算法进行关联规则挖掘
freq_itemsets = apriori(dataset_encoded, min_support=0.5)

# 输出频繁项集
print(freq_itemsets)

需要注意的是，由于本代码中使用了mlxtend库中的apriori方法，因此需要先安装mlxtend库。可以通过以下命令进行安装：

!pip install mlxtend