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

class TestTask(unittest.TestCase):
    def setUp(self):
        self.data = {
            'milk':   [1, 0, 0, 1, 1],
            'bread':  [1, 1, 0, 1, 0],
            'eggs':   [0, 1, 1, 1, 0],
            'butter': [0, 0, 1, 1, 1],
        }
        self.df = pd.DataFrame(self.data)
        self.user_code = importlib.import_module('user_code')

    def test_returns_dataframe(self):
        importlib.reload(self.user_code)
        result = self.user_code.extract_top_lift_rules(self.df, min_support=0.2, min_confidence=0.5, top_n=2)
        _dynamic_test(
            self,
            isinstance(result, pd.DataFrame),
            "Function returns a DataFrame.",
            f"Expected a DataFrame, got {type(result)}."
        )

    def test_confidence_filtering(self):
        importlib.reload(self.user_code)
        result = self.user_code.extract_top_lift_rules(self.df, min_support=0.2, min_confidence=0.8, top_n=5)
        if result is not None and not result.empty:
            all_conf = result['confidence'] >= 0.8
            _dynamic_test(
                self,
                all(all_conf),
                "All rules have confidence >= min_confidence.",
                f"Some rules have confidence below min_confidence: {result['confidence'].tolist()}"
            )
        else:
            _dynamic_test(
                self,
                True,
                "No rules found with high confidence, as expected.",
                "No rules found with high confidence, as expected."
            )

    def test_sorted_by_lift_descending(self):
        importlib.reload(self.user_code)
        result = self.user_code.extract_top_lift_rules(self.df, min_support=0.2, min_confidence=0.5, top_n=4)
        if result is not None and not result.empty:
            lifts = result['lift'].tolist()
            sorted_lifts = sorted(lifts, reverse=True)
            _dynamic_test(
                self,
                lifts == sorted_lifts,
                "Rules are sorted by lift in descending order.",
                f"Rules are not sorted by lift descending: {lifts}"
            )
        else:
            _dynamic_test(
                self,
                True,
                "No rules found to sort, as expected.",
                "No rules found to sort, as expected."
            )

    def test_top_n_rules(self):
        importlib.reload(self.user_code)
        result = self.user_code.extract_top_lift_rules(self.df, min_support=0.2, min_confidence=0.5, top_n=2)
        n_rows = result.shape[0] if result is not None else 0
        _dynamic_test(
            self,
            n_rows <= 2,
            "Returned at most top_n rules.",
            f"Returned more than top_n rules: {n_rows}"
        )

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 repræsenterer support-metricen i association rule mining?

Hvilken metric måler bedst styrken af en regel ud over tilfældigheder?

Hvad repræsenterer hver række typisk i en market basket matrix?

Hvad er hovedformålet med Apriori-algoritmen?

Hvordan forbedrer beskæring effektiviteten af Apriori?

Hvilket målepunkt ville du bruge til at identificere regler, der både er hyppige og stærke?

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.

Challenge: Udtrækning af Grundlæggende Checkout-Associationer med mlxtend

Løsning