
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

Behärska de färdigheter som krävs för att designa, implementera och skala moderna rekommendationsmotorer och transaktionsbaserade associationsmodeller. Gå från att analysera råa butikskvitton med klassiska algoritmiska principer som Apriori och FP-Growth till att bygga avancerade personaliseringssystem med hjälp av kollaborativ filtrering och matrisfaktorisering. Lär dig att konstruera datapipelines som driver moderna digitala butikslager och ökar användarengagemang.

Upptäck hur man hittar dolda samband inom massiva transaktionsdatabaser. Lär dig de grundläggande matematiska ramverken som detaljhandelsjättar använder för att optimera hyllplacering, lagerstrukturer och produktpaketeringsstrategier.

Vad är den största skillnaden mellan användarbaserad och objektbaserad kollaborativ filtrering?

**Vilket mått är bäst för att mäta likhet mellan användares betygsvektorer?**

Hur förbättrar objektbaserad filtrering skalbarheten?

När bör du använda Pearsons korrelation istället för kosinuslikhet?

Vad är ett grannskap i kollaborativ filtrering?

Ta din algoritmiska kunskap till nästa nivå genom att hantera omfattande företagsdata utan minneskrascher. Behärska högpresterande komprimerade träd och upptäck hur du eliminerar kommersiellt brus från regelmönster.

Få praktisk erfarenhet av att bygga rekommendationsmotorer som driver moderna digitala plattformar. Lär dig att se bortom produktgrupperingar för att kartlägga historiska användarbeteenden, betyg och gemensamma konsumentvanor.

Fördjupa dig i de matematiska grunderna för avancerade maskininlärningsmodeller för glesa datamängder. Lär dig hur man identifierar latenta egenskaper som är dolda i multidimensionella användarfeedbackdata för att noggrant förutsäga saknade interaktioner.

Utmaning: Bygga en användarbaserad komponent för kollaborativ filtrering

Lösning