
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

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.

Utfordring: Generering av Anbefalinger for Kunder som Også Kjøpte

Løsning