给出一个FP-growth算法的示例，基于mlxtend和python

FP-growth算法是一种频繁项集挖掘的算法，它基于构建频繁项集的频繁模式树（FP-tree）。以下是一个基于mlxtend和python的FP-growth算法作为示例：

# 导入mlxtend库和numpy库
from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import fpgrowth
import numpy as np

# 创建数据集
dataset = [['bread', 'milk'], ['bread', 'diaper', 'beer', 'egg'], ['milk', 'diaper', 'beer', 'cola'], ['bread', 'milk', 'diaper', 'beer'], ['bread', 'milk', 'diaper', 'cola']]

# 创建事务编码器对象
te = TransactionEncoder()
te_ary = te.fit(dataset).transform(dataset)
df = pd.DataFrame(te_ary, columns=te.columns_)

# 使用FP-growth算法进行频繁项集挖掘
fpgrowth(df, min_support=0.6, use_colnames=True)

该示例中的数据集包括了5个交易，其中交易中包含的物品集合如上所示。在FP-growth算法中，我们需要使用TransactionEncoder将数据集转换为布尔类型矩阵。然后，我们使用fpgrowth函数来发现最小支持度为0.6的频繁项集。