diff --git a/docs/11.使用Apriori算法进行关联分析.md b/docs/11.使用Apriori算法进行关联分析.md
index 3a66db96..0c01a342 100644
--- a/docs/11.使用Apriori算法进行关联分析.md
+++ b/docs/11.使用Apriori算法进行关联分析.md
@@ -74,6 +74,14 @@ Apriori 算法的两个输入参数分别是最小支持度和数据集。
 
 ### 生成候选项集
 
+下面会创建一个用于构建初始集合的函数，也会创建一个通过扫描数据集以寻找交易记录子集的函数，
+数据扫描的伪代码如下: 
+* 对数据集中的每条交易记录 tran
+* 对每个候选项集 can
+    * 检查一下 can 是否是 tran 的子集: 如果是则增加 can 的计数值
+* 对每个候选项集
+    * 如果其支持度不低于最小值，则保留该项集
+    * 返回所有频繁项集列表
 以下是一些辅助函数。
 
 #### 加载数据集
@@ -152,6 +160,8 @@ def scanD(D, Ck, minSupport):
     return retList, supportData
 ```
 
+完整代码地址: <https://github.com/apachecn/MachineLearning/blob/master/src/python/11.Apriori/apriori.py>
+
 ### 组织完整的 Apriori 算法
 
 #### 输入频繁项集列表 Lk 与返回的元素个数 k，然后输出所有可能的候选项集 Ck
@@ -238,6 +248,8 @@ def apriori(dataSet, minSupport=0.5):
 
 到这一步，我们就找出我们所需要的 `频繁项集` 和他们的 `支持度` 了，接下来再找出关联规则即可！
 
+完整代码地址: <https://github.com/apachecn/MachineLearning/blob/master/src/python/11.Apriori/apriori.py>
+
 ## 从频繁项集中挖掘关联规则
 
 前面我们介绍了用于发现 `频繁项集` 的 Apriori 算法，现在要解决的问题是如何找出 `关联规则`。
diff --git a/src/python/11.Apriori/apriori.py b/src/python/11.Apriori/apriori.py
index 650f775e..3f4a77ce 100644
--- a/src/python/11.Apriori/apriori.py
+++ b/src/python/11.Apriori/apriori.py
@@ -310,6 +310,8 @@ def testApriori():
     print 'L(0.7): ', L1
     print 'supportData(0.7): ', supportData1
 
+    print '->->->->->->->->->->->->->->->->->->->->->->->->->->->->'
+
     # Apriori 算法生成频繁项集以及它们的支持度
     L2, supportData2 = apriori(dataSet, minSupport=0.5)
     print 'L(0.5): ', L2
@@ -331,10 +333,10 @@ def testGenerateRules():
 
 def main():
     # 测试 Apriori 算法
-    # testApriori()
+    testApriori()
 
     # 生成关联规则
-    testGenerateRules()
+    # testGenerateRules()
 
     # # 项目案例
     # # 构建美国国会投票记录的事务数据集