Descubrir patrones periódico-frecuentes en bases de datos temporales es un problema desafiante de gran importancia en muchas aplicaciones del mundo real. Aunque varios algoritmos fueron descritos en la literatura para abordar el problema de la minería de patrones periódico-frecuentes, la mayoría de estos algoritmos utilizan el diseño tradicional de base de datos horizontal (o por filas), es decir, necesitan escanear la base de datos varias veces o no permiten la computación asíncrona de patrones periódico-frecuentes. Como resultado, este tipo de diseño de base de datos hace que los algoritmos para descubrir patrones periódico-frecuentes sean tanto ineficientes en tiempo como en memoria. No se puede ignorar la importancia de extraer datos almacenados en un diseño de base de datos vertical (o columnar). Esto se debe a que los datos a gran escala del mundo real se almacenan ampliamente en un diseño de base de datos columnar. Con esta motivación, este artículo propone un algoritmo eficiente, Transformación de Clase de Equivalencia Periódico Frecuente (PF-ECLAT), para encontrar patrones periódico-frecuentes en una base de datos temporal columnar. Los resultados experimentales en bases de datos reales y sintéticas dispersas y densas demuestran que PF-ECLAT es eficiente en memoria y tiempo de ejecución, y altamente escalable. Finalmente, demostramos la utilidad de PF-ECLAT con dos estudios de caso. En el primer estudio de caso, hemos empleado nuestro algoritmo para identificar las áreas geográficas en las que las personas estuvieron expuestas periódicamente a niveles dañinos de contaminación del aire en Japón. En el segundo estudio de caso, hemos utilizado nuestro algoritmo para descubrir el conjunto de segmentos de carretera en los que se observaba regularmente congestión en una red de transporte.