
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

Behersk ferdighetene som trengs for å designe, implementere og skalere moderne anbefalingsmotorer og transaksjonelle assosiasjonsmodeller. Gå fra å analysere rå detaljhandelstransaksjoner ved hjelp av klassiske algoritmiske prinsipper som Apriori og FP-Growth til å bygge avanserte personaliseringssystemer via kollaborativ filtrering og matrisefaktorisering. Lær hvordan du kan utvikle datapipelines som driver moderne digitale butikkers oppdagelseslag og øker brukerengasjement.

Oppdag hvordan du kan finne skjulte sammenhenger i store transaksjonsdatastrukturer. Lær de grunnleggende matematiske rammeverkene som detaljhandelsgiganter bruker for å optimalisere hylleplassering, lagerstrukturer og produktpakkeringsstrategier.

Hva er hovedforskjellen mellom brukersentrert og elementsentrert kollaborativ filtrering?

**Hvilket mål er best for å måle likhet mellom brukerens vurderingsvektorer?**

Hvordan forbedrer varebasert filtrering skalerbarheten?

Når bør du bruke Pearson-korrelasjon fremfor kosinuslikhet?

Hva er et nabolag i samarbeidende filtrering?

Ta algoritmekunnskapen din til neste nivå ved å håndtere store mengder bedriftsdata uten minneproblemer. Bli ekspert på høyytelses komprimerte trær og lær hvordan du kan eliminere kommersiell støy fra regelmønstre.

Få praktisk erfaring med å bygge anbefalingsmotorer som driver moderne digitale plattformer. Lær hvordan du kan se forbi produktgrupperinger for å kartlegge historiske brukerhandlinger, vurderinger og delte forbrukervaner.

Fordyp deg i de matematiske grunnprinsippene for avanserte maskinlæringsmodeller for sparsomme datasett. Lær hvordan man avdekker latente egenskaper skjult i flerdimensjonale brukerresponsdata for å forutsi manglende interaksjoner med høy nøyaktighet.

Challenge: Bygge en Brukerdrevet Kollaborativ Filtreringskomponent

Løsning