
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

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 stellt die Support-Metrik im Association Rule Mining dar?

Welche Kennzahl misst am besten die Stärke einer Regel über den Zufall hinaus?

Was stellt in einer Market Basket Matrix typischerweise jede Zeile dar?

Was ist der Hauptzweck des Apriori-Algorithmus?

Wie verbessert das Pruning die Effizienz von Apriori?

Welchen Messwert würden Sie verwenden, um Regeln zu identifizieren, die sowohl häufig als auch stark sind?

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.

Challenge: Extraktion Grundlegender Kassenassoziationen mit mlxtend

Lösung