CommencezCommencez gratuitement

Utiliser la transformation du moteur de recommandation

Dans les derniers exercices, vous avez calculé la note moyenne par cours et nettoyé certaines données de cours. Vous allez utiliser ces données pour produire des recommandations pertinentes pour les étudiants de DataCamp.

Rappel des règles de décision pour produire les recommandations :

  • Utiliser la technologie qu'un étudiant a le plus évaluée.
  • Exclure les cours qu'un étudiant a déjà évalués.
  • Repérer les trois cours les mieux notés parmi les cours admissibles.

Pour produire les recommandations finales, vous utiliserez les notes moyennes par cours et la liste des recommandations admissibles par utilisateur, stockées respectivement dans avg_course_ratings et courses_to_recommend. Vous y arriverez en complétant la fonction transform_recommendations() qui fusionne les deux DataFrames et trouve, pour chaque utilisateur, les 3 cours les mieux notés à recommander.

Cette activité fait partie du cours

Introduction à l'ingénierie des données

Voir le cours

Instructions de l’exercice

  • Complétez la fonction transform_recommendations() :
  • Fusionnez course_to_recommend avec avg_course_ratings.
  • Triez les résultats par rating, en regroupant par identifiant d'utilisateur.
  • Affichez les 3 premières lignes et triez par identifiant d'utilisateur.
  • Appelez la fonction transform_recommendations() que vous venez de définir avec les bons arguments afin d'enregistrer les recommandations par utilisateur dans la variable recommendations.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Complete the transformation function
def transform_recommendations(avg_course_ratings, courses_to_recommend):
    # Merge both DataFrames
    merged = courses_to_recommend.____(____) 
    # Sort values by rating and group by user_id
    grouped = merged.sort_values("____", ascending=False).groupby("____")
    # Produce the top 3 values and sort by user_id
    recommendations = grouped.head(____).sort_values("____").reset_index()
    final_recommendations = recommendations[["user_id", "course_id","rating"]]
    # Return final recommendations
    return final_recommendations

# Use the function with the predefined DataFrame objects
recommendations = ____(____, ____)
Modifier et exécuter le code