随着计算机技术的飞速发展,数据挖掘逐渐成为人们关注的焦点。数据挖掘中常用的算法就是关联规则挖掘算法,其中以Apriori算法最为经典。首先,对数据进行采集和预处理,算法通过分析得出数据之间的关联性,并将挖掘结果进行可视化展示,其思想已被广泛应用于各个领域。目前,篮球比赛成为国内外非常重视的一项赛事,如何得出篮球队员优化组合,如何布置战术,已经成为国内篮球事业发展的关键因素。利用篮球比赛相关数据进行挖掘,进而发现数据之间的关联性,根据数据挖掘的结果进一步得出篮球队员优化组合,达到给教练提供决策支持的目的变得尤为重要。本文首先介绍数据挖掘方面的相关知识,重点描述篮球队员相互配合并获取得分的数据分析与关联规则挖掘技术相结合的思想。通过关联规则Apriori算法提取隐藏在篮球比赛背后的有价值的数据信息,即根据篮球比赛队员之间相互配合并获取得分的数据,挖掘出篮球队员配合可靠性的强关联规则,并分析得出篮球队员优化组合。为了提升算法的运行效率,本文针对Apriori算法进行一些改进。提出一种将下三角支持度矩阵与向量相结合的思想,其目的在于提高生成频繁2-项集速度的同时,保障篮球队员配合之间强关联规则的有效性。结果表明:基于篮球队员相互配合并获取得分的实验数据,在相同支持度阈值、不同数据库事务数条件下和相同数据库事务数、不同支持度阈值条件下,将Apriori算法与L-Apriori算法进行比较,发现L-Apriori算法比传统Apriori算法具有更好的执行效率。同时,将L-Apriori算法应用于篮球队员优化组合中,根据最小支持度阈值和最小置信度阈值可以有效的挖掘出篮球队员优化组合中的强关联规则,从而达到预期的效果。基于以上理论分析与实验证明,本文为今后在篮球队员优化组合方面的深入研究打下良好的基础。