
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

Beheers de vaardigheden die nodig zijn om moderne aanbevelingssystemen en transactionele associatiemodellen te ontwerpen, implementeren en schalen. Ga van het analyseren van ruwe retailtransacties met klassieke algoritmische principes zoals Apriori en FP-Growth naar het bouwen van geavanceerde personalisatiesystemen via collaborative filtering en matrixfactorisatie. Leer hoe je datapijplijnen ontwikkelt die de ontdekking van moderne digitale winkelomgevingen aandrijven en gebruikersbetrokkenheidsstatistieken stimuleren.

Ontdek hoe verborgen relaties binnen enorme transactionele datastructuren kunnen worden gevonden. Leer de kern van wiskundige raamwerken die door retailreuzen worden gebruikt om schapindeling, voorraadstructuren en productbundelstrategieën te optimaliseren.

Wat geeft de support-metriek weer bij het ontdekken van associatieregels?

Welke metriek meet het beste de sterkte van een regel boven toeval?

Wat stelt elke rij in een market basket-matrix doorgaans voor?

Wat is het belangrijkste doel van het Apriori-algoritme?

Hoe verhoogt pruning de efficiëntie van Apriori?

Welke metriek zou je gebruiken om regels te identificeren die zowel frequent als sterk zijn?

Breng je algoritmische kennis naar een hoger niveau door zware zakelijke transactiegegevens te verwerken zonder geheugenproblemen. Beheers hoogpresterende gecomprimeerde bomen en ontdek hoe commerciële ruis uit regelpatronen kan worden geëlimineerd.

Doe praktische ervaring op met het bouwen van aanbevelingssystemen die moderne digitale platforms aandrijven. Leer hoe u verder kunt kijken dan productgroeperingen om historische gebruikersgedragingen, beoordelingen en gedeelde consumentengewoonten in kaart te brengen.

Verdiep u in de wiskundige basisprincipes van geavanceerde machine learning-modellen voor schaarse datasets. Ontdek hoe latente kenmerken in multidimensionale gebruikersfeedbackgegevens kunnen worden blootgelegd om ontbrekende interacties nauwkeurig te voorspellen.

Challenge: Het Extraheren van Basis Kassabon-Associaties met Behulp van mlxtend

Oplossing