
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

Domina las habilidades necesarias para diseñar, implementar y escalar motores de recomendación modernos y modelos de asociación transaccional. Avanza desde el análisis de compras minoristas en bruto utilizando principios algorítmicos clásicos como Apriori y FP-Growth hasta la construcción de sistemas avanzados de personalización mediante filtrado colaborativo y factorización de matrices. Aprende a diseñar flujos de datos que impulsan las capas de descubrimiento de escaparates digitales modernos y mejoran los indicadores de participación de los usuarios.

Descubra cómo encontrar relaciones ocultas dentro de estructuras masivas de datos transaccionales. Aprenda los marcos matemáticos fundamentales que utilizan los grandes minoristas para optimizar la colocación en estanterías, las estructuras de inventario y las estrategias de agrupación de productos.

¿Cuál es la principal diferencia entre el filtrado colaborativo basado en usuarios y el basado en ítems?

**¿Qué métrica es la mejor para medir la similitud entre vectores de calificaciones de usuarios?**

¿Qué es el problema de arranque en frío?

¿Cómo mejora la escalabilidad el filtrado basado en ítems?

¿Cuándo se debe usar la correlación de Pearson en lugar de la similitud del coseno?

¿Qué es un vecindario en el filtrado colaborativo?

Lleva tu conocimiento algorítmico al siguiente nivel gestionando grandes volúmenes de datos transaccionales corporativos sin fallos de memoria. Domina árboles comprimidos de alto rendimiento y descubre cómo eliminar el ruido comercial de los patrones de reglas.

Adquiera experiencia práctica construyendo los motores de recomendación que impulsan las plataformas digitales modernas. Aprenda a ir más allá de los agrupamientos de productos para mapear comportamientos históricos de los usuarios, calificaciones y hábitos de consumo compartidos.

Sumérgete en los fundamentos matemáticos de modelos avanzados de aprendizaje automático para conjuntos de datos dispersos. Aprende a descubrir características latentes ocultas dentro de datos de retroalimentación de usuarios multidimensionales para predecir con precisión interacciones faltantes.

Desafío: Generación de Recomendaciones de Clientes que También Compraron

Solución