
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

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 representerer støtte-metrikken i assosiasjonsregelutvinning?

Hvilken metrikk måler best styrken til en regel utover tilfeldig sammenfall?

Hva representerer vanligvis hver rad i en market basket-matrise?

Hva er hovedformålet med Apriori-algoritmen?

Hvordan forbedrer beskjæring effektiviteten til Apriori?

Hvilken metrikk bør brukes for å identifisere regler som både er hyppige og sterke?

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: Utvinning av Grunnleggende Kassasammenhenger med mlxtend

Løsning