
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

Beherrschen Sie die Fähigkeiten, die erforderlich sind, um moderne Empfehlungssysteme und transaktionale Assoziationsmodelle zu entwerfen, zu implementieren und zu skalieren. Analysieren Sie Rohdaten aus Einzelhandels-Transaktionen mit klassischen algorithmischen Prinzipien wie Apriori und FP-Growth und entwickeln Sie fortschrittliche Personalisierungssysteme mittels kollaborativem Filtern und Matrixfaktorisierung. Lernen Sie, wie man Datenpipelines entwickelt, die moderne digitale Storefront-Entdeckungsschichten antreiben und Nutzerbindungsmetriken verbessern.

Entdecken Sie, wie verborgene Zusammenhänge in umfangreichen transaktionalen Datenstrukturen aufgedeckt werden können. Lernen Sie die grundlegenden mathematischen Rahmenwerke kennen, die von Einzelhandelsriesen zur Optimierung der Regalplatzierung, der Lagerstrukturen und der Produktbündelungsstrategien verwendet werden.

Was ist der Hauptunterschied zwischen benutzerbasierter und objektbasierter kollaborativer Filterung?

**Welches Maß eignet sich am besten zur Messung der Ähnlichkeit zwischen Benutzerbewertungsvektoren?**

Wie verbessert die item-basierte Filterung die Skalierbarkeit?

Wann würden Sie die Pearson-Korrelation gegenüber der Kosinus-Ähnlichkeit verwenden?

Was ist eine Nachbarschaft in der kollaborativen Filterung?

Bringen Sie Ihr algorithmisches Wissen auf die nächste Stufe, indem Sie umfangreiche Unternehmens-Transaktionsdaten ohne Speicherabstürze verarbeiten. Beherrschen Sie hochleistungsfähige komprimierte Bäume und entdecken Sie Methoden zur Eliminierung von kommerziellem Rauschen aus Regelmustern.

Sammeln Sie praktische Erfahrungen beim Aufbau von Empfehlungssystemen, die moderne digitale Plattformen antreiben. Lernen Sie, über Produktgruppierungen hinauszublicken, um historische Nutzerverhalten, Bewertungen und gemeinsame Konsumgewohnheiten abzubilden.

Tauchen Sie ein in die mathematischen Grundlagen fortgeschrittener Machine-Learning-Modelle für spärliche Datensätze. Erfahren Sie, wie latente Merkmale in mehrdimensionalen Benutzerfeedback-Daten aufgedeckt werden können, um fehlende Interaktionen präzise vorherzusagen.

Herausforderung: Generierung von Empfehlungen für Kunden, die Auch Gekauft Haben

Lösung