Začněte nyníZačněte zdarma

Heatmapy s metrikou lift

Zakladatelce se heatmapa, kterou jsi pro její streamovací službu vytvořil/a, líbí. Po dalším rozhovoru o projektu ale dojdete k závěru, že je důležité před finálním rozhodnutím o licencování filmů prozkoumat i jiné metriky. Zakladatelka navrhuje zvolit takovou metriku, která ukáže, zda jsou hodnoty podpory vyšší, než bychom čekali s ohledem na individuální hodnoty podpory jednotlivých filmů.

Vzpomeneš si, že to dobře zachycuje metrika lift, a rozhodneš se ji použít. Lift má důležitý práh na hodnotě 1,0, takže nahradíš barevnou škálu anotacemi – díky tomu snadno zjistíš, zda je hodnota větší než 1,0. Pravidla z předchozího cvičení máš k dispozici jako rules.

Toto cvičení je součástí kurzu

Market Basket Analysis v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Importuj seaborn pod jeho standardním aliasem.
  • Převeď DataFrame s pravidly na matici pomocí metriky lift.
  • Vygeneruj heatmapu se zapnutými anotacemi a vypnutou barevnou škálou.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import seaborn under its standard alias
____

# Transform the DataFrame of rules into a matrix using the lift metric
pivot = rules.____(index = 'consequents', 
                   columns = 'antecedents', values= '____')

# Generate a heatmap with annotations on and the colorbar off
sns.heatmap(pivot, annot = ____, ____)
plt.yticks(rotation=0)
plt.xticks(rotation=90)
plt.show()
Upravit a spustit kód