Exercise Requirements

1. 假设我们有一份个人收入数据（Income.csv），请选择合适的方法对该份数据进行关联规则挖掘，并对规则进行支持和解读。

2. 根据一份开源零售数据，编写Python代码求解。分别调用mlxtend的apriori模块（或efficient-apriori）实现Apriori算法，以及调用mlxtend的fp-growth模块（或pyfpgrowth）实现FP-Growth算法。

1. 设定一组不同的最小支持度阈值（例如：0.01、0.05、0.1、0.2）；
2. 记录两种算法在不同阈值下的运行时间和峰值内存消耗（内存消耗选做）；
3. 绘制”支持度阈值-运行时间“的折线对比图；
4. 深度分析报告，回答一下问题：
   1. 当最小支持度阈值极低时，哪个算法的性能下降更剧烈？为什么？
   2. 结合Apriori的”候选集生成“与FP-Growth的”FP-Tree“数据结构，从时间复杂度和空间复杂度的角度解释实验观察到的现象。

数据集：https://archive.ics.uci.edu/dataset/352/online+retail

3. 根据一份”健康APP“的数据（health_habit_data.csv），编写Python代码求解。该数据为某健康APP分析用户的的饮食习惯与某项疾病指标的关联。

1. 计算规则 {喝茶} => {患病} 的支持度和置信度。
2. 陷阱分析：
   1. 学生会发现 {喝茶} => {患病} 的置信度非常高（约 88.8%）。这是否意味着“喝茶会导致/伴随该疾病”？
   2. 引入并计算提升度。
   3. 结合提升度的计算结果，解释为什么这条看似强关联的规则实际上是一条负相关的虚假规则。
3. 指标扩展：查阅文献或库文档，解释其他评估指标在衡量关联规则有效性时的作用，并说明在什么场景下应该使用哪些指标。