
import unittest
import user_code
import ast
import re   
import importlib
import csv
import unittest
import importlib

class TestTask(unittest.TestCase):
    def setUp(self):
        self.transactions = [
            ["milk", "bread", "butter"],
            ["bread", "butter"],
            ["milk", "bread"],
            ["milk", "eggs"],
            ["bread", "eggs"],
            ["milk", "bread", "butter", "eggs"]
        ]
        self.module = importlib.import_module("user_code")

    def test_support_milk_bread(self):
        importlib.reload(self.module)
        func = getattr(self.module, "calculate_association_metrics", None)
        _dynamic_test(
            self,
            callable(func),
            "Function calculate_association_metrics exists",
            "Function calculate_association_metrics does not exist or is not callable."
        )
        result = func(self.transactions, "milk", "bread")
        _dynamic_test(
            self,
            result is not None and isinstance(result, dict),
            "Function returns a dictionary result",
            f"Function did not return a dict: {result}"
        )
        expected_support = 3 / 6  # 3 transactions contain both milk and bread
        actual_support = result.get("support", -1)
        _dynamic_test(
            self,
            abs(actual_support - expected_support) < 1e-6,
            "Correct support for ('milk', 'bread')",
            f"Expected support {expected_support}, got {actual_support}"
        )

    def test_confidence_milk_bread(self):
        importlib.reload(self.module)
        func = getattr(self.module, "calculate_association_metrics", None)
        result = func(self.transactions, "milk", "bread")
        expected_confidence = 3 / 4  # 4 transactions contain milk; 3 of those also contain bread
        actual_confidence = result.get("confidence", -1)
        _dynamic_test(
            self,
            abs(actual_confidence - expected_confidence) < 1e-6,
            "Correct confidence for ('milk', 'bread')",
            f"Expected confidence {expected_confidence}, got {actual_confidence}"
        )

    def test_lift_milk_bread(self):
        importlib.reload(self.module)
        func = getattr(self.module, "calculate_association_metrics", None)
        result = func(self.transactions, "milk", "bread")
        support_b = 5 / 6  # bread appears in 5 transactions
        expected_confidence = 3 / 4
        expected_lift = expected_confidence / support_b
        actual_lift = result.get("lift", -1)
        _dynamic_test(
            self,
            abs(actual_lift - expected_lift) < 1e-6,
            "Correct lift for ('milk', 'bread')",
            f"Expected lift {expected_lift}, got {actual_lift}"
        )

    def test_support_bread_butter(self):
        importlib.reload(self.module)
        func = getattr(self.module, "calculate_association_metrics", None)
        result = func(self.transactions, "bread", "butter")
        expected_support = 3 / 6  # 3 transactions contain both bread and butter
        actual_support = result.get("support", -1)
        _dynamic_test(
            self,
            abs(actual_support - expected_support) < 1e-6,
            "Correct support for ('bread', 'butter')",
            f"Expected support {expected_support}, got {actual_support}"
        )

    def test_confidence_bread_butter(self):
        importlib.reload(self.module)
        func = getattr(self.module, "calculate_association_metrics", None)
        result = func(self.transactions, "bread", "butter")
        expected_confidence = 3 / 5  # bread in 5 transactions, 3 of those also butter
        actual_confidence = result.get("confidence", -1)
        _dynamic_test(
            self,
            abs(actual_confidence - expected_confidence) < 1e-6,
            "Correct confidence for ('bread', 'butter')",
            f"Expected confidence {expected_confidence}, got {actual_confidence}"
        )

    def test_lift_bread_butter(self):
        importlib.reload(self.module)
        func = getattr(self.module, "calculate_association_metrics", None)
        result = func(self.transactions, "bread", "butter")
        support_b = 3 / 6  # butter appears in 3 transactions
        expected_confidence = 3 / 5
        expected_lift = expected_confidence / support_b
        actual_lift = result.get("lift", -1)
        _dynamic_test(
            self,
            abs(actual_lift - expected_lift) < 1e-6,
            "Correct lift for ('bread', 'butter')",
            f"Expected lift {expected_lift}, got {actual_lift}"
        )

    def test_never_appear_together(self):
        importlib.reload(self.module)
        func = getattr(self.module, "calculate_association_metrics", None)
        result = func(self.transactions, "milk", "cheese")
        _dynamic_test(
            self,
            result is not None and isinstance(result, dict),
            "Function returns a dictionary result for never-appear-together case",
            f"Function did not return a dict: {result}"
        )
        _dynamic_test(
            self,
            result["support"] == 0,
            "Support is zero when items never appear together",
            f"Expected support 0, got {result['support']}"
        )
        _dynamic_test(
            self,
            result["confidence"] == 0,
            "Confidence is zero when items never appear together",
            f"Expected confidence 0, got {result['confidence']}"
        )

    def test_item_never_appears(self):
        importlib.reload(self.module)
        func = getattr(self.module, "calculate_association_metrics", None)
        result = func(self.transactions, "cheese", "butter")
        _dynamic_test(
            self,
            result is not None and isinstance(result, dict),
            "Function returns a dictionary result for never-appear-item case",
            f"Function did not return a dict: {result}"
        )
        _dynamic_test(
            self,
            result["support"] == 0,
            "Support is zero when item_a never appears",
            f"Expected support 0, got {result['support']}"
        )
        _dynamic_test(
            self,
            result["confidence"] == 0,
            "Confidence is zero when item_a never appears",
            f"Expected confidence 0, got {result['confidence']}"
        )
        _dynamic_test(
            self,
            result["lift"] == 0,
            "Lift is zero when item_a never appears",
            f"Expected lift 0, got {result['lift']}"
        )

    def test_both_items_never_appear(self):
        importlib.reload(self.module)
        func = getattr(self.module, "calculate_association_metrics", None)
        result = func(self.transactions, "apples", "oranges")
        _dynamic_test(
            self,
            result is not None and isinstance(result, dict),
            "Function returns a dictionary result for both items never appearing",
            f"Function did not return a dict: {result}"
        )
        _dynamic_test(
            self,
            result["support"] == 0,
            "Support is zero when both items never appear",
            f"Expected support 0, got {result['support']}"
        )
        _dynamic_test(
            self,
            result["confidence"] == 0,
            "Confidence is zero when both items never appear",
            f"Expected confidence 0, got {result['confidence']}"
        )
        _dynamic_test(
            self,
            result["lift"] == 0,
            "Lift is zero when both items never appear",
            f"Expected lift 0, got {result['lift']}"
        )

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.

Що представляє метрика підтримки (support) у добуванні асоціативних правил?

Яка метрика найкраще вимірює силу правила понад випадковість?

Що зазвичай представляє кожен рядок у матриці кошика покупок?

Яка основна мета алгоритму Apriori?

Як обрізання підвищує ефективність Apriori?

Яку метрику слід використовувати для визначення правил, які є і частими, і сильними?

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: Manually Calculating Association Rules on Sample Ledgers

Рішення