大家回覆比較偏向於硬體方面，小弟補充分享些數據分析的經驗。

跑關聯分析，重點在於【資料裡有幾個不同的商品】？
舉例17萬筆，裡面有幾個不同的商品？10個、100個、1000個、10000個，我處理起來的方式會不太一樣。因為重點在於不同商品間的交叉矩陣，這才是最吃資源的，反而和17萬跟170萬的關係比較小。(我指跑關聯分析的時候，不是指資料整理階段，資料整理階段直接就跟資料筆數有關沒錯。)

首先關於運算時間和運算進度，這不會有任何系統可以告訴你啥時會跑完或是進度60%這樣，尤其你又用Python的話，我的經驗就是自己測：

1. 1,000筆資料20個不同商品的關聯分析，跑多久？
2. 10,000筆資料20個不同商品的關聯分析，跑多久？
3. 1,000筆資料40個不同商品的關聯分析，跑多久？
4. 10,000筆資料40個不同商品的關聯分析，跑多久？

這些大概都幾秒鐘了不起三五分鐘的事，多測幾種不同的資料組合，你自己腦海大概就會有個迴歸函數出現，進而推測你的17萬筆資料n個不同商品的關聯分析，需要多久時間，你心裡有個底後，就放著讓它去跑吧……

有時候跑得慢不是因為記憶體限制，而是「它就是需要跑這麼久」，你想像一下一萬個不同商品，光是某二商品的矩陣就高達10000^2，背後還要幫你算出support, confidence, lift……

你終究要等這麼久的，那為什麼不一開始就等(誤)。

當然，這前提是你還沒摸到8G的上限。
在硬體有更進一步突破之前，該跑這麼久的東西，就是得跑這麼久，而且話說回來，我不認為是8G的問題，而是n太大，但這我不敢說死，坐等其他大神經驗分享。

我經驗上有這些處理方式：

一、降低n
首先，不要跑到單商品，把可以group起來的先group起來，例如摺疊傘有x種顏色，不要當作x種商品，就當作1種商品(摺疊傘)，或是把所有雨傘包括直立式都當作1種商品，更過分的可以把雨衣雨鞋都當作1種商品。其實你的商品資料庫應該有商品階層，試著往上一層去跑。但當然，如果這不符合你的分析目標，例如你就是想知道買黃色衣服的會不會比較喜歡買黃色雨傘？那這就不是一個好解法。
其次，剔除不需要分析的商品，商品銷售大都會搭配折價券、商品券、點數卡之類的，這如果不是你的分析目標，那就把這種先篩選掉吧~
當你的n下降，執行時間都會快上許多。

二、只看【某二單商品】關聯
Apriori是一口氣幫你做出所有組合和單商品的關係，例如會有【買了A+B+C之後，買D的狀況】，如果你不需要這麼複雜，只想看【買了A之後，買D的狀況】……這我忘記Apriori有沒有參數可以調，就是限制二商品這樣(你可以研究一下)，因為其實support, confidence, lift並不難寫，如果你不是要一條龍直接跑到有圖出來，又只需要跑某二單商品組合的結構化資料的話，像我現在是自己寫成 SQL function 在跑，印象中當初相較下是比Python快蠻多的。但缺點就是只能跑二商品組合。

我會建議你先跑「真的能跑出結果的」，再去思考這樣的結果無法達成你想要的哪些分析目的，進而逐步調整。很多分析都是慢慢調整而生的，無法一次到位，甚至真的可能被各種系統環境限制住而無法做到心裡想做到的分析，這都難免。

經驗分享，提供參考。

您可以組電腦叢集來跑分析，
電腦叢集....現在應該說雲端比較能理解(?)~~XD
簡單說就是將多台電腦當成一台電腦/服務使用，來突破單台電腦的效能瓶頸

我以前有一位實驗室的學長，跑論文數據分單台電腦跑一次要超過1周@@
受不了拿了一些實驗室沒在用的舊電腦組了叢集來跑，時間縮減到只要3天多就跑完~~

有的VM也有可以跨主機的虛擬機器叢集~

不然就是直接買(或找免費)網路雲端運算使用~~
說到這個...怎麼突然想到彼特幣XD

我不會

我只想替這個問題按個讚
終於有人不是拿 python 去爬網頁了

原本的 raw dataset 有170萬筆，我在前期資料整理時就常常會出現memory error的問題，後來我的夥伴跟我說可以用抽樣的方式來做所以只需要處理17萬筆資料，前期處理也順利完成。

既然可以因為「memory error」的原因
170萬->17萬 = 抽樣 1/10
不如再抽一次
17萬->1萬7千 = 1/10
應該就過關了