Promowanie e-booków za pomocą conviction
W poprzednim ćwiczeniu zdefiniowaliśmy funkcję do obliczania conviction i zastosowaliśmy ją do wszystkich dwuksiążkowych permutacji zbioru danych goodreads-10k. W tym ćwiczeniu przetestujesz tę funkcję na trzech najpopularniejszych książkach, które pojawiły się we wcześniejszych ćwiczeniach: Igrzyska śmierci, Harry Potter i Zmierzch.
Funkcja jest już zdefiniowana i dostępna jako conviction. Przyjmuje ona dwa argumenty: poprzednik (antecedent) i następnik (consequent). Kolumny z wcześiejszego DataFrame books są dostępne jako trzy osobne DataFrames: potter, twilight i hunger.
To ćwiczenie jest częścią kursu
Analiza koszyka zakupowego w Pythonie
Instrukcje do ćwiczenia
- Oblicz conviction dla {Zmierzch} \(\rightarrow\) {Potter} i {Potter} \(\rightarrow\) {Zmierzch}.
- Oblicz conviction dla {Zmierzch} \(\rightarrow\) {Hunger} i {Hunger} \(\rightarrow\) {Zmierzch}.
- Oblicz conviction dla {Potter} \(\rightarrow\) {Hunger} i {Hunger} \(\rightarrow\) {Potter}.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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)