所给test.csv文件内有8列数据，数据已离散化处理，每一列数据分别是一天的天气、最高温、最低温、风向、湿度、温差、风力强度、pm2.5值，文件数据已完成离散化,请用关联规则算法求出与pm2.5值列有关的频繁项集、支持度、置信度、关联规则，将频繁项集输出按顺序输出到1.csv文件内，关联规则按顺序输出到2.csv文件内

为了使用关联规则算法，我们需要将数据转化为事务集的形式，即每一行代表一次事务，包含该事务中出现的所有元素。在这个例子中，我们将每一行看作一天的天气特征，因此每一行代表一次事务。

下面是使用Python实现关联规则算法的代码：

import pandas as pd
from mlxtend.frequent_patterns import apriori
from mlxtend.frequent_patterns import association_rules

# 读取数据
data = pd.read_csv('test.csv', header=None)

# 将数据转化为事务集
transactions = []
for i in range(len(data)):
    transactions.append([str(data.values[i, j]) for j in range(len(data.columns))])

# 使用Apriori算法获取频繁项集
frequent_itemsets = apriori(transactions, min_support=0.2, use_colnames=True)

# 获取关联规则
rules = association_rules(frequent_itemsets, metric="confidence", min_threshold=0.7)

# 将频繁项集输出到1.csv文件内
frequent_itemsets.to_csv('1.csv', index=False)

# 将关联规则输出到2.csv文件内
rules.to_csv('2.csv', index=False)

上述代码使用了mlxtend库中的Apriori算法和association_rules函数来计算频繁项集和关联规则。我们将最小支持度设置为0.2，即只考虑出现频率大于等于20%的项集；同时将最小置信度设置为0.7，即只考虑置信度大于等于70%的关联规则。

最后，我们将频繁项集和关联规则输出到文件1.csv和2.csv中，以便后续分析。