FP-tree两个主要步骤：
1. 利用事务数据库中的数据构造FP-tree；
2. 从FP-tree中挖掘频繁模式。
具体过程：
1.扫描数据库一次，得到频繁1-项集。
2.把项按支持度递减排序。
3.再一次扫描数据库，建立FP-tree。
为了方便大家理解，下面附上一个简单的例子。
给出一个具体的事务数据库：
利用出现的次数计算频繁1-项目集。
重新调整事务数据库：（在这里是对于每一个Items进行调整，把支持度高的放在前面）
创建根结点和频繁项目表：
加入第一个事务（I2，I1，I5）：
加入第二个事务（I2，I4）,在I2冒号后面数字是其出现的次数，其他也是：
加入第三个事务（I2，I3），注意此时I2后面的数字为3：
加入第四个事务（I2，I1，I4）,I1后面加1变为2：
加入第五个事务（I1，I3）：
........依次加入所有的事务：
然后生成FP-tree，从支持度最小的I5开始看：
根据这个得到I5的：
条件模式基可以理解为，以I5为结点所有路径的情况，删除I3是因为I3达不到I5的最小支持度：
然后看I4：
然后考虑I3，I2后面的4是根据总的I2：7减去不是I3的分支数，即可得到：
最后考虑I1：
算法结束，频繁项集就得到了。
在实际项目中，可以通过增大最小支持度来减小树的复杂度。
FP-tree优点：
FP-tree 算法只需对事务数据库进行二次扫描。
避免产生的大量候选集。
FP-tree缺点：
要递归生成条件数据库和条件FP-tree，所以内存开销大只能用于挖掘单维的布尔关联规则。