arules和arulesViz是R语言中两个专用于关联分析的软件包。其中arules用于关联规则的数字化生成，提供Apriori和Eclat这两种快速挖掘频繁项集和关联规则算法的实现函数；而arulesViz包作为arules的扩展包，提供了集中实用而新颖的关联规则可视化技术，使得关联分析从算法运行到结果呈现一体化。在此之前，请先安装这两个软件包。
核心函数
Apriori是最经典的关联分析挖掘算法，原理清晰且实现方便，可以说是学习关联分析的入门算法，但效率低；而Eclat算法则在运行效率方面有所提升。
apriori函数
apriori()函数用于实现Apriori算法，来源于arules软件包，其使用格式为：
apriori(data, parameter=NULL, appearance = NULL, control = NULL)
当放置相应的数据集，并设置各个参数值（支持度和置信度的阈值）后，运行该函数即可生成满足需求的频繁项集或关联规则等结果。
parameter参数可以对支持度（support）、置信度（confidence）、每个项集所含项数的最大值/最小值（maxlen/minlen），以及输出结果（target）等重要参数进行设置。如果没有对其进行设置，函数将对各参数取默认值：support=0.1, confidence=0.8, maxlen=10, minlen=1, target="rules"/"frequent itemsets"（输出关联规则/频繁项集）。
appearance参数可以对先决条件X（lhs）和关联结果（rhs）中具体包含哪些项进行限制，如lhs=beer，将仅输出lhs中含有“啤酒”这一项的关联规则，在默认情况下，所有项都将无限制出现。
control参数则用来控制函数性能，如可以设定对项集进行升序（sort=1）还是降序（sort=-1）排序，是否向使用者报告进程（verbose=TRUE/FALSE）等。
eclat函数
Eclat算法的核心函数为eclat()，其格式为：
eclat(data, parameter=NULL, control=NULL)
与apriori()函数相比，eclat()不含有appearance参数，其中parameter与control的作用与apriori()函数中的参数作用基本相同，但需要注意的是，parameter中的输出结果target一项不可设置为rules，即通过eclat()函数无法生成关联规则，并且maxlen的默认值为5。
数据集
我们使用arules包中的Groceries数据集进行算法演示，该数据集时某一食品杂货店一个月的真实交易数据，我们先对其进行一个简单的了解。
> library(arules)
> data("Groceries")
> summary(Groceries)
transactions as itemMatrix in sparse format with
9835 rows (elements/itemsets/transactions) and
169 columns (items) and a density of 0.02609146
most frequent items:
whole milk other vegetables rolls/buns soda yogurt (Other)
2513 1903 1809 1715 1372 34055
element (itemset/transaction) length distribution:
sizes
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
2159 1643 1299 1005 855 645 545 438 350 246 182 117 78 77 55 46 29 14 14 9 11 4
23 24 26 27 28 29 32
6 1 1 1 1 3 1
Min. 1st Qu. Median Mean 3rd Qu. Max.
1.000 2.000 3.000 4.409 6.000 32.000
includes extended item information - examples:
labels level2 level1
1 frankfurter sausage meat and sausage
2 sausage sausage meat and sausage
3 liver loaf sausage meat and sausage
获取数据后，我们来看Groceries数据集的基本信息，它共包含9835条交易以及169个项，也就是我们通常所说的商品；并且全脂牛奶(whole milk)是最受欢迎的商品，之后依次为蔬菜(other vegetables)、面包卷(rolls/buns)等。
为了对将要使用的数据集有直观的把握，现将Groceries数据集的前10条交易信息展示出来：
> inspect(Groceries[1:10])
items
[1] {citrus fruit,semi-finished bread,margarine,ready soups}
[2] {tropical fruit,yogurt,coffee}
[3] {whole milk}
[4] {pip fruit,yogurt,cream cheese ,meat spreads}
[5] {other vegetables,whole milk,condensed milk,long life bakery product}
[6] {whole milk,butter,yogurt,rice,abrasive cleaner}
[7] {rolls/buns}
[8] {other vegetables,UHT-milk,rolls/buns,bottled beer,liquor (appetizer)}
[9] {pot plants}
[10] {whole milk,cereals}
其中每一条数据及代表一位消费者购物篮中的商品类别，如：第一位消费者购买了柑橘(citrus fruit)、半成品面包(semi-finished bread)、黄油(margarine)以及即食汤(ready soups)四种事物。
我们做关联分析的目标，就是发掘消费者对于这些商品的购买行为之间是否有关联性，以及关联性有多强，并将获取的信息付诸于实际应用。