要使用Apriori算法在Python中获取结果，可以使用mlxtend库。下面是一个示例代码：

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

# 数据集
dataset = [['Apple', 'Beer', 'Rice', 'Chicken'],
           ['Apple', 'Beer', 'Rice'],
           ['Apple', 'Beer'],
           ['Apple', 'Bananas'],
           ['Milk', 'Beer', 'Rice', 'Chicken'],
           ['Milk', 'Beer', 'Rice'],
           ['Milk', 'Beer'],
           ['Apple', 'Bananas']]

# 转换数据集为适当的格式
te = TransactionEncoder()
te_ary = te.fit(dataset).transform(dataset)
df = pd.DataFrame(te_ary, columns=te.columns_)

# 使用Apriori算法获取频繁项集
frequent_itemsets = apriori(df, min_support=0.2, use_colnames=True)

# 打印结果
print(frequent_itemsets)

上述代码首先导入了TransactionEncoder和apriori函数。然后，定义了一个示例数据集。接下来，使用TransactionEncoder将数据集转换为适当的格式，并将其转换为DataFrame。然后，使用apriori函数获取频繁项集，指定了最小支持度为0.2。最后，打印输出频繁项集的结果。

请注意，这里使用的示例数据集是一个列表，每个列表代表一个交易记录，其中的元素表示商品名称。你可以根据实际情况修改数据集以及设置其他参数来获取所需的结果。