随着互联网的快速发展和数据挖掘技术的广泛使用,数据处理技术早已变成人们生活中不可或缺的一部分,其中证券市场更是尤为重要。证券市场作为国民经济的重要组成部分,其稳定性不仅影响经济欣欣向荣的良好势头,同时还牵动着无数股指期货市场淘金者的利益。用户数据的研究对证券公司进行客户细分、精确运营有帮助,但是目前证券市场的用户数据特性,造成很多数据挖掘技术效果并不好。证券市场的用户数据大多都是多值属性数据,每一个属性都有且只有一个属性值,即同一属性的不同属性值不可能出现在同一频繁项集中。但Apriori算法却忽略了这一特性,而是直接按照频繁属性集进行连接操作,从而生成大量无效的候选项集。根据不同的数据特性,数据挖掘算法应该进行优化调整,从而使算法达到最优。本文经过透彻地解析原始Apriori算法的不足之处,阐述了对Apriori算法的一种改进方法。该方法重新定义了一种类似于矩阵加法的数据存储方式,针对生成候选项集的连接步骤进行优化,以避免产生更多无效的候选项集,提高了算法效率。而剪枝操作则是应用频繁项集的子集也都是频繁项集这一特征进行,这一点与原始算法并没有区别,都是将包含非频繁子集的所有项集删去。应用这一改进算法,对已有的证券用户管理系统的数据进行分析,从而得出其中各项数据之间的关系。这些规则关系对证券分析有极大的帮助。实例实验验证了Apriori改进算法的可行性。在和原始Apriori算法进行比较分析的过程中,明确了数据量和支持度这两个因素对算法执行时间的影响。在对原始算法和改进算法的性能进行测试中发现,改进算法产生的无效规则占比更小。然而Apriori改进算法也不是完美的,在减少数据库扫描次数和存储空间、避免更多无效候选项集方面还存在不足。这些都将是以后重点研究的方向。