
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

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.

Mitä support-metriikka kuvaa assosiaatiosääntöjen louhinnassa?

Mikä metriikka mittaa parhaiten säännön vahvuutta satunnaista yhteyttä paremmin?

Mitä kukin rivi yleensä edustaa market basket -matriisissa?

Mikä on Apriori-algoritmin päätarkoitus?

Miten karsinta parantaa Apriori-algoritmin tehokkuutta?

Mitä mittaria käyttäisit tunnistaaksesi säännöt, jotka ovat sekä yleisiä että vahvoja?

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.

Challenge: Perus Kassayhdistelmien Löytäminen Mlxtend-Kirjastolla

Ratkaisu