Bücher mit Support empfehlen
Eine Bibliothek möchte ihre Mitglieder zum Mehrlesen motivieren und setzt dafür auf Market-Basket-Analyse. Sie bittet dich, die Analyse durchzuführen, und zwar mit den fünf bestbewerteten Büchern aus dem goodbooks-10k-Datensatz, der im Video vorgestellt wurde. Die Daten liegen dir als One-Hot-Encoded-Format in einem pandas DataFrame namens books vor.
Jede Spalte im DataFrame entspricht einem Buch und hat den Wert TRUE, wenn das Buch in der Bibliothek eines Lesers enthalten ist und gut bewertet wurde. Zur Vereinfachung arbeiten wir mit gekürzten Buchtiteln: Hunger, Potter und Twilight.
Diese Übung ist Teil des Kurses
<Kurs>Market Basket Analysis in Python</Kurs>Übungsanweisungen
- Berechne den Support für {Hunger, Potter}.
- Berechne den Support für {Hunger, Twilight}.
- Berechne den Support für {Potter, Twilight}.
Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Compute support for Hunger and Potter
supportHP = np.logical_and(books['Hunger'], books['____']).mean()
# Compute support for Hunger and Twilight
supportHT = ____(books['Hunger'], books['Twilight']).mean()
# Compute support for Potter and Twilight
supportPT = np.logical_and(books['Potter'], books['Twilight']).____
# Print support values
print("Hunger Games and Harry Potter: %.2f" % supportHP)
print("Hunger Games and Twilight: %.2f" % supportHT)
print("Harry Potter and Twilight: %.2f" % supportPT)