为如下问题编写python代码。设定视觉模式挖掘的问题为：给定一组类别的图片，如果图片来自于目标类 别，则被称为正类图像，如果来自于其他类别，则被称为负类图像，挖掘具有频 繁性和判别性的视觉模式，可以被认为是从负类图像中区分出正类图像。判别性： 如果一个模式值出现在正类图像中，而不是在负类图像中，则称其为具有判别性。 频繁性：如果一个图案多次出现在正类图像中，则称之为具有频繁性。 针对数据集Cifar10 数据集，设计一种算法挖掘出该数据中某一类中具有频繁性又有判别性的图片。并将其输出

以下是一个基于Apriori算法的Python实现代码，用于在Cifar10数据集中挖掘具有频繁性和判别性的图像：

import numpy as np
import pandas as pd
from sklearn.datasets import load_files
from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import apriori

# 加载Cifar10数据集
data = load_files('cifar10/train/')
X = np.array(data.data)
y = np.array(data.target)
target_class = 0   # 挑选airplane这一类
positive_imgs = X[y == target_class]
negative_imgs = X[y != target_class]

# 将每张图片转化为一个事务
positive_transactions = [img.flatten().tolist() for img in positive_imgs]
negative_transactions = [img.flatten().tolist() for img in negative_imgs]

# 计算频繁项集
min_support = 0.1   # 最小支持度阈值
te = TransactionEncoder()
te_ary = te.fit_transform(negative_transactions)
df = pd.DataFrame(te_ary, columns=te.columns_)
frequent_items = apriori(df, min_support=min_support, use_colnames=True)

# 计算具有判别性的频繁项集
discriminative_items = []
for itemset in frequent_items['itemsets']:
    positive_support = df[df[itemset] == True].shape[0] / df.shape[0]
    negative_support = df[df[itemset] == True].shape[0] / len(negative_transactions)
    if positive_support > negative_support:
        discriminative_items.append(itemset)

# 计算具有频繁性的图片
frequent_imgs = []
for itemset in discriminative_items:
    positive_count = 0
    for img in positive_transactions:
        if all(x in img for x in itemset):
            positive_count += 1
    if positive_count / len(positive_transactions) >= min_support:
        frequent_imgs.append(img)

# 输出结果
print("具有频繁性和判别性的图像：")
for img in frequent_imgs:
    print(img)

需要注意的是，在实际应用中需要根据具体情况调整参数和算法选择。