Apriori算法是一种用于挖掘频繁项集的经典算法，它可以用于处理包含0和1的数据集。如果Apriori算法在0和1的数据集上无法正常工作，可能是由于数据集的处理方式不正确或者算法的实现问题。以下是一些可能的解决方法：

1. 确保数据集的格式正确：Apriori算法通常要求数据集以事务(transaction)的形式表示，每一行代表一个事务，每一列代表一个项。确保你的数据集以这种形式进行表示。

2. 检查算法的实现：如果你是使用自己实现的Apriori算法，检查算法的代码是否正确实现了频繁项集挖掘的逻辑。可以参考已经验证过的Apriori算法的实现来进行对比。

3. 使用合适的数据结构：Apriori算法需要对项集进行频繁的计数和查询操作，因此使用适合高效查询的数据结构是很重要的。可以考虑使用哈希表或者位向量等数据结构来提高算法的效率。

以下是一个基于Python的示例代码，展示了如何使用mlxtend库中的Apriori算法实现频繁项集挖掘：

from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import apriori

# 定义数据集
dataset = [[0, 1, 0, 1],
           [1, 1, 0, 1],
           [0, 1, 1, 1],
           [1, 0, 1, 0]]

# 将数据集进行二进制编码
te = TransactionEncoder()
te_ary = te.fit(dataset).transform(dataset)
df = pd.DataFrame(te_ary, columns=te.columns_)

# 使用Apriori算法挖掘频繁项集
frequent_itemsets = apriori(df, min_support=0.5, use_colnames=True)

# 输出频繁项集
print(frequent_itemsets)

这段代码会输出频繁项集，其中min_support参数表示最小支持度，use_colnames参数表示是否使用列名。你可以根据自己的需求调整这些参数。