E-Books mit Conviction bewerben
In der vorherigen Übung haben wir eine Funktion definiert, um conviction zu berechnen. Wir sollten diese Funktion auf alle Zwei-Bücher-Permutationen des goodreads-10k-Datensatzes anwenden. In dieser Übung testen wir die Funktion an den drei beliebtesten Büchern, die wir schon zuvor genutzt haben: The Hunger Games, Harry Potter und Twilight.
Die Funktion wurde für dich definiert und ist als conviction verfügbar. Denk daran: Sie nimmt ein Antezedens und ein Konsequens als zwei Argumente. Außerdem stehen die Spalten des books DataFrames aus früheren Übungen als drei separate DataFrames zur Verfügung: potter, twilight und hunger.
Diese Übung ist Teil des Kurses
Market Basket Analysis in Python
Anleitung zur Übung
- Berechne die conviction für {Twilight} \(\rightarrow\) {Potter} und {Potter} \(\rightarrow\) {Twilight}.
- Berechne die conviction für {Twilight} \(\rightarrow\) {Hunger} und {Hunger} \(\rightarrow\) {Twilight}.
- Berechne die conviction für {Potter} \(\rightarrow\) {Hunger} und {Hunger} \(\rightarrow\) {Potter}.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Compute conviction for twilight -> potter and potter -> twilight
convictionTP = conviction(twilight, potter)
convictionPT = conviction(____, twilight)
# Compute conviction for twilight -> hunger and hunger -> twilight
convictionTH = conviction(____, ____)
convictionHT = ____(hunger, twilight)
# Compute conviction for potter -> hunger and hunger -> potter
convictionPH = ____(potter, hunger)
convictionHP = ____
# Print results
print('Harry Potter -> Twilight: ', convictionHT)
print('Twilight -> Potter: ', convictionTP)