
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

現代のレコメンデーションエンジンおよびトランザクション関連モデルの設計、実装、スケーリングに必要なスキルを習得します。AprioriやFP-Growthなどの古典的なアルゴリズム原理を用いて生の小売チェックアウトデータを分析することから、協調フィルタリングや行列分解による高度なパーソナライゼーションシステムの構築までを学びます。現代のデジタルストアフロントの発見レイヤーを支え、ユーザーエンゲージメント指標を向上させるデータパイプラインの設計方法を習得します。

膨大なトランザクションデータ構造内に隠された関係性を発見する方法を学びます。小売大手が棚配置、在庫構造、商品バンドル戦略を最適化するために使用する主要な数学的フレームワークについて習得します。

ユーザーベース協調フィルタリングとアイテムベース協調フィルタリングの主な違いは何ですか？

**ユーザー評価ベクトル間の類似度を測定するのに最適な指標はどれですか？**

コールドスタート問題とは何ですか？

アイテムベースフィルタリングはどのようにスケーラビリティを向上させますか？

コサイン類似度よりもピアソン相関を使用するのはどのような場合ですか？

協調フィルタリングにおける「近傍」とは何ですか？

メモリクラッシュを回避しながら、大規模な企業取引データを扱うことでアルゴリズムの知識を次のレベルへ引き上げます。高性能な圧縮ツリーを習得し、ルールパターンから商業的ノイズを排除する方法を学びます。

現代のデジタルプラットフォームを支えるレコメンデーションエンジンの構築を実践的に体験します。商品グループを超えて、過去のユーザー行動、評価、共有された消費者習慣をマッピングする方法を学びます。

スパースデータセット向けの高度な機械学習モデルの数学的基礎を深く学びます。多次元のユーザーフィードバックデータに隠された潜在特徴を発見し、欠損しているインタラクションを正確に予測する方法を習得します。

チャレンジ：顧客が一緒に購入した商品のレコメンデーション生成

解答