
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

Hallitse taidot, joita tarvitaan nykyaikaisten suositusjärjestelmien ja transaktioihin perustuvien assosiaatiomallien suunnitteluun, toteutukseen ja skaalaamiseen. Siirry raakojen vähittäiskaupan ostotapahtumien analysoinnista klassisten algoritmisten periaatteiden, kuten Apriori- ja FP-Growth-algoritmien, avulla edistyneiden personointijärjestelmien rakentamiseen yhteistyösuodatuksen ja matriisihajotelman keinoin. Opi rakentamaan dataputkia, jotka mahdollistavat nykyaikaisten digitaalisten kauppapaikkojen löytökerrokset ja ohjaavat käyttäjien sitoutumismittareita.

Opi löytämään piilotettuja yhteyksiä laajoista transaktiotietorakenteista. Tutustu keskeisiin matemaattisiin viitekehyksiin, joita vähittäiskaupan jättiläiset käyttävät hyllyjen sijoittelun, varastorakenteiden ja tuotekimppujen optimointiin.

Mikä on tärkein ero käyttäjäpohjaisen ja kohdepohjaisen kollaboratiivisen suodatuksen välillä?

**Mikä mittari on paras käyttäjäarviovektorien samankaltaisuuden mittaamiseen?**

Mitä tarkoitetaan cold start -ongelmalla?

Miten tuotepohjainen suodatus parantaa skaalautuvuutta?

Milloin käyttäisit Pearsonin korrelaatiota kosinietäisyyden sijaan?

Mitä tarkoittaa naapurusto yhteistoiminnallisessa suodatuksessa?

Vie algoritmiosaamisesi uudelle tasolle käsittelemällä suuria yritysten transaktiodatoja ilman muistiongelmia. Hallitse suorituskykyiset pakatut puut ja opi poistamaan kaupallinen kohina sääntökuvioista.

Saat käytännön kokemusta suositusmoottoreiden rakentamisesta, jotka ovat nykyaikaisten digitaalisten alustojen taustalla. Opit tarkastelemaan tuotekategorioiden ohi kartoittaaksesi historiallisia käyttäjätoimintoja, arvioita ja yhteisiä kulutustottumuksia.

Sukella harvalukuisten aineistojen edistyneiden koneoppimismallien matemaattisiin perusteisiin. Opi paljastamaan piilevät ominaisuudet moniulotteisesta käyttäjäpalautedatasta ennustaaksesi puuttuvat vuorovaikutukset tarkasti.

Haaste: Asiakkaat Ostivat Myös -Suositusten Luominen

Ratkaisu