
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

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.

Challenge: Generera rekommendationer för kunder som också köpte

Lösning