Promocionar e-books con conviction
En el ejercicio anterior, definimos una función para calcular conviction. Se nos pidió aplicarla a todas las permutaciones de dos libros del conjunto de datos goodreads-10k. En este ejercicio, probaremos la función aplicándola a los tres libros más populares, que usamos en ejercicios anteriores: The Hunger Games, Harry Potter y Twilight.
La función ya está definida y disponible como conviction. Recuerda que recibe un antecedente y un consecuente como sus dos argumentos. Además, las columnas del DataFrame books de ejercicios anteriores están disponibles como tres DataFrames separados: potter, twilight y hunger.
Este ejercicio forma parte del curso
Análisis de cesta de la compra en Python
Instrucciones del ejercicio
- Calcula conviction para {Twilight} \(\rightarrow\) {Potter} y {Potter} \(\rightarrow\) {Twilight}.
- Calcula conviction para {Twilight} \(\rightarrow\) {Hunger} y {Hunger} \(\rightarrow\) {Twilight}.
- Calcula conviction para {Potter} \(\rightarrow\) {Hunger} y {Hunger} \(\rightarrow\) {Potter}.
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# 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)