Aggiungi zeri

Molti motori di raccomandazione usano valutazioni implicite. Spesso questi insiemi di dati non includono i conteggi di comportamento per gli articoli che un utente non ha mai acquistato. In questi casi, devi aggiungerli e includere zeri. Il dataframe Z è già fornito. Contiene userId, productId e num_purchases, cioè il numero di volte in cui un utente ha acquistato un determinato prodotto.

Questo esercizio fa parte del corso

Costruire motori di raccomandazione con PySpark

Visualizza corso

Istruzioni dell'esercizio

Dai un'occhiata al dataframe Z usando il metodo .show().
Estrai gli userId e i productId distinti da Z usando il metodo .distinct(). Chiama i risultati rispettivamente users e products.
Esegui un .crossJoin() sui dataframe users e products. Chiama il risultato cj.
Esegui una join "left" tra cj e il dataframe originale delle valutazioni Z su ["userId", "productId"]. Applica il metodo .fillna(0) al risultato per riempire i valori mancanti con zeri. Chiama il risultato Z_expanded.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# View the data
Z.____()

# Extract distinct userIds and productIds
users = ____.select("____").____()
products = Z.____("productId").____()

# Cross join users and products
____ = users.____(products)

# Join cj and Z
____ = cj.join(Z, ["____", "____"], "left").____(0)

# View Z_expanded
____.show()

Modifica ed esegui il codice