
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

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。

アソシエーションルールマイニングにおいて、サポート指標は何を表しますか？

ランダムな偶然を超えたルールの強さを最もよく測定する指標はどれですか？

マーケットバスケット行列では、各行は通常何を表しますか？

Aprioriアルゴリズムの主な目的は何ですか？

剪定はAprioriの効率をどのように向上させますか？

頻度が高く、かつ強いルールを特定するために使用する指標はどれですか？

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：mlxtendを使用した基本的なチェックアウトアソシエーションの抽出

解答