EmpezarEmpieza gratis

Mapas de calor con lift

A la fundadora le gusta el mapa de calor que has creado para su servicio de streaming. Sin embargo, tras comentar el proyecto con más detalle, decidís que es importante revisar otras métricas antes de decidir qué películas licenciar. En concreto, la fundadora sugiere que elijas una métrica que indique si los valores de soporte son más altos de lo esperado dados los soportes individuales de cada película.

Recuerdas que el lift hace esto muy bien y decides usarlo como métrica. También recuerdas que el lift tiene un umbral importante en 1.0 y decides que conviene reemplazar la barra de color por anotaciones para poder determinar si un valor es mayor que 1.0. Ten en cuenta que las reglas del ejercicio anterior están disponibles como rules.

Este ejercicio forma parte del curso

Análisis de cesta de la compra en Python

Ver curso

Instrucciones del ejercicio

  • Importa seaborn con su alias estándar.
  • Transforma el DataFrame con las reglas en una matriz usando la métrica de lift.
  • Genera un mapa de calor con anotaciones activadas y la barra de color desactivada.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# 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()
Editar y ejecutar código