能否提供一个Python中使用Apriori算法或者FP-Growth算法实现菜品推荐的关联规则学习示例代码？

在Python中，我们可以使用`mlxtend`库中的`apriori`函数来实现Apriori算法，`fpgrowth`函数则用于实现FP-Growth算法。以下是一个简单的例子，假设我们有一个包含用户购买记录的DataFrame，我们将通过这两个算法找出哪些菜品常被一起购买，作为推荐依据。

from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import apriori, fpgrowth

# 假设这是用户的购买历史数据，每行代表一次购买，列名是菜品ID
transactions = [['A', 'B', 'C'], ['A', 'D'], ['B', 'C', 'E'], ['B', 'D']]

# 将列表转换为TransactionEncoder所需的二维数组
te = TransactionEncoder()
te_ary = te.fit(transactions).transform(transactions)

# 使用Apriori算法
min_support = 0.4  # 设置最小支持度
rules_apriori = apriori(te_ary,
                        min_support=min_support,
                        use_colnames=True)

# 输出关联规则
for freq_itemsets, _ in rules_apriori:
    for itemset in freq_itemsets:
        if itemset[1] == '1':  # 只显示支持度为1的规则（频繁项集）
            print(f"Items: {itemset[0]}, Support: {itemset[2]}")

# 使用FP-Growth算法
min_support = 0.4
rules_fpgrowth = fpgrowth(te_ary,
                         support=min_support,
                         target_items=['A', 'B'])  # 我们只关心推荐['A', 'B']相关的规则

# 输出关联规则
for item, freq in rules_fpgrowth.items():
    if ('A' in item) and ('B' in item):
        print(f"Itemset: {item}, Support: {freq}")