表是某药店的部分销售记录，药品名称用字母代替，请自行补充缺失药品清单(单号10)，完成： (1) 设置最小支持度和最小置信度，挖掘强关联规则。 (2) 对于每一阶候选项集，设置不同的最小支持度，构造频繁项集

为了帮助您完成这个问题，我们需要先理解几个关键概念：

1. **最小支持度（Minimum Support）**：这是用于数据挖掘的一项参数，通常表示在一个数据集中，一个项集出现的频率至少要达到多少比例才能被认为是频繁的。例如，如果设为0.5，那么所有出现频率超过50%的项目组合都会被视为频繁项集。

2. **最小置信度（Minimum Confidence）**：这个参数用于过滤出由频繁项集推导出来的关联规则。它是规则A -> B成立的概率，即B在包含A的交易中出现的比例必须大于给定的阈值。

3. **关联规则（Association Rule）**：描述两个事件（如药品购买）之间的关系，如"如果X被购买，则Y可能也会被购买"。

4. **候选项集（Candidate Itemsets）**：在Apriori算法（一种常用的关联规则挖掘算法）中，从上一阶段生成的频繁项集作为基础，通过连接它们形成新的可能的频繁项集的过程生成的一组候选集。

假设我们有一个包含药品销售数据的数据集，我们可以使用像`mlxtend`或`apyori`这样的库来执行这些操作。这里是一个基本的步骤概述：

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

# 假设你的数据是字典列表形式，每个元素是药品名称的列表
data = [
    ['D', 'E'],
    ['C', 'D'],
    ['A', 'B', 'C'],
    ['B', 'D'],
    ['A', 'B', 'D'],
    # 单号10的数据
]

# 将数据转换为编码后的矩阵
te = TransactionEncoder()
te_ary = te.fit(data).transform(data)

# 使用apriori算法，定义支持度和置信度
min_supp = 0.5  # 最小支持度
min_conf = 0.6  # 最小置信度

# 构建频繁项集
frequent_itemsets = apriori(te_ary, min_support=min_supp)

# 从频繁项集中找出关联规则
rules = association_rules(frequent_itemsets, metric="confidence", min_threshold=min_conf)

# 输出结果
print("频繁项集:", frequent_itemsets)
print("关联规则:", rules)

记得根据实际数据调整最小支持度和置信度的值。如果你想构建不同阶的候选项集，你可以改变`apriori`函数中的参数，比如最大项数或最大长度。