Rekomendowanie książek przy użyciu supportu
Biblioteka chce zachęcić czytelników do częstszego sięgania po książki i postanowiła w tym celu zastosować analizę koszyka zakupów. Zgłaszają się do ciebie z prośbą o przeprowadzenie analizy na podstawie pięciu najwyżej ocenianych książek ze zbioru danych goodbooks-10k, który został omówiony w lekcji wideo. Dane otrzymujesz w formacie one-hot encoding, w postaci ramki danych pandas o nazwie books.
Każda kolumna w ramce danych odpowiada jednej książce i przyjmuje wartość TRUE, jeśli dana książka znajduje się w biblioteczce czytelnika i otrzymała wysoką ocenę. Dla uproszczenia będziemy używać skróconych nazw: Hunger, Potter i Twilight.
To ćwiczenie jest częścią kursu
Analiza koszyka zakupowego w Pythonie
Instrukcje do ćwiczenia
- Oblicz support dla {Hunger, Potter}.
- Oblicz support dla {Hunger, Twilight}.
- Oblicz support dla {Potter, Twilight}.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Compute support for Hunger and Potter
supportHP = np.logical_and(books['Hunger'], books['____']).mean()
# Compute support for Hunger and Twilight
supportHT = ____(books['Hunger'], books['Twilight']).mean()
# Compute support for Potter and Twilight
supportPT = np.logical_and(books['Potter'], books['Twilight']).____
# Print support values
print("Hunger Games and Harry Potter: %.2f" % supportHP)
print("Hunger Games and Twilight: %.2f" % supportHT)
print("Harry Potter and Twilight: %.2f" % supportPT)