
import unittest
import user_code
import ast
import re   
import importlib
import csv
import unittest
import importlib
import pandas as pd

class TestTask(unittest.TestCase):
    def setUp(self):
        self.transactions = pd.DataFrame({
            "user_id": [1, 2, 1, 3, 2, 3, 4, 4, 1],
            "item_id": ["apple", "banana", "banana", "apple", "carrot", "carrot", "apple", "banana", "carrot"]
        })
        self.user_code = importlib.import_module("user_code")

    def test_returns_list_of_length_top_n(self):
        importlib.reload(self.user_code)
        result = self.user_code.customers_also_bought(self.transactions, "apple", top_n=2)
        _dynamic_test(
            self,
            isinstance(result, list) and len(result) == 2,
            "Returns a list of length equal to top_n.",
            f"Returned value is not a list of length 2: {result}"
        )

    def test_does_not_include_self(self):
        importlib.reload(self.user_code)
        result = self.user_code.customers_also_bought(self.transactions, "banana", top_n=2)
        _dynamic_test(
            self,
            "banana" not in result,
            "Does not include the provided item_id in recommendations.",
            f"Recommendations include the provided item_id: {result}"
        )

    def test_similarity_order(self):
        importlib.reload(self.user_code)
        # For 'banana', 'carrot' is most similar, then 'apple'
        result = self.user_code.customers_also_bought(self.transactions, "banana", top_n=2)
        expected_order = ["carrot", "apple"]
        _dynamic_test(
            self,
            result == expected_order,
            "Recommendations are based on highest cosine similarity.",
            f"Expected order {expected_order}, got {result}"
        )

    def test_multiple_occurrences(self):
        importlib.reload(self.user_code)
        # 'apple' appears multiple times; should still recommend correct items
        result = self.user_code.customers_also_bought(self.transactions, "apple", top_n=2)
        _dynamic_test(
            self,
            set(result) == {"banana", "carrot"},
            "Handles cases where the item appears multiple times.",
            f"Expected recommendations {{'banana', 'carrot'}}, got {result}"
        )

    def test_fewer_than_top_n(self):
        importlib.reload(self.user_code)
        # Only two items in this mini-dataset
        df = pd.DataFrame({"user_id": [1, 2, 1, 2], "item_id": ["x", "y", "y", "x"]})
        result = self.user_code.customers_also_bought(df, "x", top_n=5)
        _dynamic_test(
            self,
            isinstance(result, list) and len(result) == 1 and result[0] == "y",
            "Handles cases with fewer than top_n other items.",
            f"Expected ['y'], got {result}"
        )

def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)

def normalize_text(text):
    text = text.lower()
    text = re.sub(r"\\s{2,}", " ", text)
    text = re.sub(r"\\s*([,:?])\\s*", r"\\1 ", text)
    return text.strip()

def change_var(code: str, var_name: str, value: str) -> str:
    tree = ast.parse(code)
    lines = code.splitlines()
    changed = False
    # Collect all assignment nodes to modify
    assign_nodes = [
        (i, node)
        for i, node in enumerate(tree.body)
        if isinstance(node, ast.Assign)
        and any(isinstance(target, ast.Name) and target.id == var_name for target in node.targets)
    ]

    # If nothing to change, return unmodified code
    if not assign_nodes:
        return code

    # Perform replacements for all matching assignments (from last to first to not break line offsets)
    for i, node in reversed(assign_nodes):
        start_line = node.lineno - 1
        line = lines[start_line]
        indent = ' ' * (len(line) - len(line.lstrip()))
        lines[start_line] = f"{indent}{var_name} = {value}"
        next_line = len(lines)
        for next_node in tree.body[i+1:]:
            if hasattr(next_node, 'lineno'):
                next_line = next_node.lineno - 1
                break
        if next_line > start_line + 1:
            lines[start_line+1:next_line] = []
        changed = True

    return '\\n'.join(lines) if changed else code

if __name__ == "__main__":
    unittest.main()


test_main.py

Behersk de nødvendige færdigheder til at designe, implementere og skalere moderne anbefalingsmotorer og transaktionsbaserede associationsmodeller. Gå fra at analysere rå detailkøb ved hjælp af klassiske algoritmiske principper som Apriori og FP-Growth til at opbygge avancerede personaliseringssystemer via kollaborativ filtrering og matrixfaktorisering. Lær at udvikle datapipelines, der driver moderne digitale butiksfacader og øger brugerengagements-målinger.

Opdag, hvordan man finder skjulte relationer i massive transaktionsdatastrukturer. Lær de centrale matematiske rammer, som detailgiganter bruger til at optimere hyldeplacering, lagerstrukturer og produktbundlingsstrategier.

Hvad er den primære forskel mellem brugerbaseret og item-baseret kollaborativ filtrering?

**Hvilket mål er bedst til at måle lighed mellem brugerbedømmelsesvektorer?**

Hvordan forbedrer item-baseret filtrering skalerbarheden?

Hvornår vil du bruge Pearson-korrelation frem for cosinus-lighed?

Hvad er et nabolag i kollaborativ filtrering?

Tag din algoritmiske viden til næste niveau ved at håndtere store virksomhedstransaktionsdata uden hukommelsesnedbrud. Opnå ekspertise i højtydende komprimerede træer og lær, hvordan man eliminerer kommerciel støj fra regelmønstre.

Få praktisk erfaring med at opbygge anbefalingsmotorer, der driver moderne digitale platforme. Lær at se ud over produktgrupperinger for at kortlægge historiske brugeradfærd, vurderinger og delte forbrugsvaner.

Dyk ned i de matematiske grundprincipper for avancerede maskinlæringsmodeller til sparsomme datasæt. Lær, hvordan man afdækker latente egenskaber skjult i multidimensionelle brugerfeedbackdata for nøjagtigt at forudsige manglende interaktioner.

Udfordring: Generering af Anbefalinger til Kunder, der Også har Købt

Løsning