
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

Оволодіння навичками проєктування, впровадження та масштабування сучасних систем рекомендацій і моделей асоціацій у транзакційних даних. Перехід від аналізу сирих роздрібних чеків із використанням класичних алгоритмічних принципів, таких як Apriori та FP-Growth, до створення розвинених систем персоналізації на основі колаборативної фільтрації та матричної факторизації. Вивчення інженерії дата-пайплайнів, які забезпечують роботу сучасних цифрових вітрин і підвищують показники залучення користувачів.

Дізнайтеся, як знаходити приховані взаємозв'язки у великих структурах транзакційних даних. Ознайомтеся з основними математичними підходами, які використовують великі роздрібні компанії для оптимізації розміщення товарів на полицях, структури запасів та стратегій комплектування продуктів.

Яка основна відмінність між колаборативною фільтрацією на основі користувачів та на основі елементів?

**Яка метрика найкраще підходить для вимірювання схожості між векторами оцінок користувачів?**

Що таке проблема холодного старту?

Як фільтрація на основі елементів покращує масштабованість?

Коли доцільно використовувати кореляцію Пірсона замість косинусної схожості?

Що таке сусідство у колаборативній фільтрації?

Поглиблення алгоритмічних знань шляхом обробки великих корпоративних транзакційних даних без збоїв пам'яті. Оволодіння високопродуктивними стисненими деревами та виявлення способів усунення комерційного шуму з шаблонів правил.

Отримайте практичний досвід у створенні рекомендованих систем, які забезпечують роботу сучасних цифрових платформ. Дізнайтеся, як виходити за межі групування продуктів для аналізу історичних поведінкових даних користувачів, оцінок і спільних споживчих звичок.

Занурення у математичні основи передових моделей машинного навчання для розріджених наборів даних. Виявлення прихованих латентних ознак у багатовимірних даних відгуків користувачів для точного прогнозування відсутніх взаємодій.

Challenge: Generating Customers Also Bought Recommendations

Рішення