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

以下是一个简单的超市清单数据集，其中包含了5个交易项和6个交易记录：

| Transaction | Items |
|-------------|-------|
| 1 | A, B |
| 2 | A, C, D |
| 3 | B, C |
| 4 | A, C |
| 5 | B, D |

接下来进行Apriori算法模型设计：

1. 首先，对每个交易记录中的项进行计数，得到以下频繁项集：

| Itemset | Count |
|---------|-------|
| A | 3 |
| B | 3 |
| C | 3 |
| D | 2 |

2. 根据最小支持度阈值，过滤掉不满足支持度要求的项，假设阈值为2，则得到以下频繁项集：

| Itemset | Count |
|---------|-------|
| A | 3 |
| B | 3 |
| C | 3 |

3. 根据频繁项集，生成候选项集，假设项集大小为2，则可以生成以下候选项集：

{A, B}, {A, C}, {B, C}

4. 针对候选项集，在交易记录中进行计数，得到以下频繁项集：

| Itemset | Count |
|---------|-------|
| A, B | 1 |
| A, C | 2 |
| B, C | 2 |

5. 再次过滤掉不满足支持度要求的项，得到以下频繁项集：

| Itemset | Count |
|---------|-------|
| A, C | 2 |
| B, C | 2 |

6. 重复步骤3到步骤5，直到无法再生成新的频繁项集为止。假设项集大小为3，则可以生成以下候选项集：

{A, B, C}

7. 在交易记录中进行计数，得到以下频繁项集：

| Itemset | Count |
|---------|-------|
| A, B, C | 1 |

8. 再次过滤掉不满足支持度要求的项，得到以下频繁项集：

| Itemset | Count |
|---------|-------|
| A, B, C | 1 |

9. 最终，我们得到了所有的频繁项集，包括单个项的频繁项集和多个项的频繁项集：

| Itemset | Count |
|---------|-------|
| A | 3 |
| B | 3 |
| C | 3 |
| A, C | 2 |
| B, C | 2 |
| A, B, C | 1 |

这样，我们就成功地使用Apriori算法对该超市清单数据集进行了模型设计。