基于区分矩阵的传统属性约简方法具有直观易理解的优点，但时间和空间复杂度都很高，当数据规模较大或条件属性较多时，会无法快速得到约简结果。为解决该问题，在区分关系的基础上构造了条件区分能力来进行属性选择，提出一种基于条件区分能力的属性约简算法。而为了进一步加快属性重要性的计算、提高约简效率，依据大数定律中频率的稳定性，通过采样的方式将条件区分能力扩展为局部条件区分能力，提出基于局部条件区分能力的属性约简算法。理论证明了条件区分能力在属性的选择上比正区域更严格，并将该算法与基于区分度的高效前向属性约简算法（FAR-DV）、基于k近邻属性重要度和相关系数的属性约简算法（K2NCRS）及基于正区域排序升序决策表的快速正区域约简算法（FPRA）进行了对比。实验结果显示，该算法在属性选择顺序、约简率和分类精度上与FAR-DV基本一致，在约简效率上比上述三种算法提高了10倍以上；且随着数据规模的增大或条件属性的增多，在约简效率上的提升越明显。可以看出，所提算法具有更低的时空复杂度，适用于海量数据属性约简。
