
import unittest
import user_code
import ast
import re   
import importlib
import csv
import unittest
import pandas as pd
import numpy as np
import importlib

class TestTask(unittest.TestCase):
    def setUp(self):
        self.data = {
            'apple': [1, 0, 1, 0],
            'banana': [1, 1, 0, 0],
            'carrot': [0, 1, 1, 0],
            'donut': [0, 0, 1, 1],
        }
        self.user_item_matrix = pd.DataFrame(self.data, index=['alice', 'bob', 'carol', 'dave'])
        self.module_name = 'user_code'

    def test_returns_list(self):
        import user_code
        importlib.reload(user_code)
        result = user_code.recommend_products(self.user_item_matrix, 'bob', top_n=2)
        _dynamic_test(self, isinstance(result, list), "Function returns a list.", f"Expected list, got {type(result)}.")

    def test_recommendations_are_valid(self):
        import user_code
        importlib.reload(user_code)
        # Bob's vector: [0,1,1,0], most similar is Alice: [1,1,0,0]
        # Alice has apple (1), bob does not (0)
        result = user_code.recommend_products(self.user_item_matrix, 'bob', top_n=2)
        expected = ['apple']
        _dynamic_test(
            self,
            all(item in ['apple'] for item in result),
            "Recommendation is valid and contains only items the similar user has and target does not.",
            f"Recommendation contains unexpected items: {result}"
        )

    def test_top_n_limit(self):
        import user_code
        importlib.reload(user_code)
        # carol: [1,0,1,1], most similar user is alice: [1,1,0,0]
        # Alice has banana (1), carol does not (0)
        result = user_code.recommend_products(self.user_item_matrix, 'carol', top_n=1)
        _dynamic_test(
            self,
            isinstance(result, list) and len(result) <= 1 and (len(result) == 0 or result[0] == 'banana'),
            "Function respects top_n and returns correct recommendation for carol.",
            f"Expected ['banana'] or [], got {result}"
        )

    def test_no_similar_user(self):
        import user_code
        importlib.reload(user_code)
        # Add a new user with all zeros
        df = self.user_item_matrix.copy()
        df.loc['eve'] = [0, 0, 0, 0]
        result = user_code.recommend_products(df, 'eve', top_n=2)
        _dynamic_test(self, result == [], "Returns empty list if no similar user.", f"Expected [], got {result}")

    def test_no_new_items_to_recommend(self):
        import user_code
        importlib.reload(user_code)
        # Bob and dave: dave has only donut, bob has not. But similarity is zero with everyone except alice.
        # Add a user who has all the same items as alice
        df = self.user_item_matrix.copy()
        df.loc['erin'] = [1, 1, 0, 0]
        result = user_code.recommend_products(df, 'erin', top_n=2)
        _dynamic_test(
            self,
            result == [],
            "Returns empty list if most similar user has no new items to recommend.",
            f"Expected [], got {result}"
        )

    def test_handles_different_top_n(self):
        import user_code
        importlib.reload(user_code)
        # alice: [1,1,0,0], most similar user is bob: [0,1,1,0]
        # bob has carrot (1), alice does not (0)
        result = user_code.recommend_products(self.user_item_matrix, 'alice', top_n=5)
        _dynamic_test(
            self,
            result == ['carrot'],
            "Function returns all possible recommendations if top_n > available.",
            f"Expected ['carrot'], 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

Acquisisci le competenze necessarie per progettare, implementare e scalare motori di raccomandazione moderni e modelli di associazione transazionale. Passa dall'analisi dei dati grezzi delle transazioni retail utilizzando principi algoritmici classici come Apriori e FP-Growth alla costruzione di sistemi avanzati di personalizzazione tramite collaborative filtering e fattorizzazione di matrici. Impara a progettare pipeline di dati che alimentano i livelli di scoperta dei moderni negozi digitali e incrementano le metriche di coinvolgimento degli utenti.

Scopri come individuare relazioni nascoste all'interno di strutture di dati transazionali di grandi dimensioni. Approfondisci i principali modelli matematici utilizzati dai grandi rivenditori per ottimizzare la disposizione degli scaffali, le strutture di inventario e le strategie di bundling dei prodotti.

Qual è la principale differenza tra il filtraggio collaborativo basato sugli utenti e quello basato sugli oggetti?

**Quale metrica è la migliore per misurare la similarità tra vettori di valutazione degli utenti?**

In che modo il filtraggio basato sugli oggetti migliora la scalabilità?

Quando si dovrebbe utilizzare la correlazione di Pearson invece della similarità coseno?

Che cos'è un vicinato nel filtraggio collaborativo?

Porta le tue conoscenze algoritmiche al livello successivo gestendo grandi quantità di dati transazionali aziendali senza problemi di memoria. Apprendi l'uso di alberi compressi ad alte prestazioni e scopri come eliminare il rumore commerciale dai pattern delle regole.

Acquisire esperienza pratica nella costruzione dei motori di raccomandazione che alimentano le moderne piattaforme digitali. Imparare a superare le semplici aggregazioni di prodotti per mappare i comportamenti storici degli utenti, le valutazioni e le abitudini di consumo condivise.

Approfondimento dei fondamenti matematici dei modelli avanzati di machine learning per dataset sparsi. Analisi delle caratteristiche latenti nascoste nei dati di feedback multidimensionali degli utenti per prevedere con precisione le interazioni mancanti.

Sfida: Costruire un Componente di Collaborative Filtering Basato sull'Utente

Soluzione