Zacznij terazZacznij za darmo

Mapy cieplne z metryką lift

Założycielka serwisu jest zadowolona z przygotowanej przez ciebie mapy cieplnej. Po dalszej rozmowie o projekcie dochodzisz jednak do wniosku, że przed podjęciem ostatecznej decyzji o wyborze filmów do licencjonowania warto przeanalizować dodatkowe metryki. Założycielka proponuje w szczególności wybrać taką, która pokaże, czy wartości wsparcia są wyższe, niż można by się spodziewać na podstawie indywidualnych wartości wsparcia poszczególnych filmów.

Przypominasz sobie, że dobrze nadaje się do tego metryka lift – i postanawiasz jej użyć. Pamiętasz też, że lift ma istotny próg wynoszący 1,0, dlatego decydujesz się zastąpić pasek kolorów adnotacjami, aby móc jednoznacznie sprawdzić, czy dana wartość przekracza 1,0. Reguły z poprzedniego ćwiczenia są dostępne jako rules.

To ćwiczenie jest częścią kursu

Analiza koszyka zakupowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Zaimportuj seaborn pod standardowym aliasem.
  • Przekształć obiekt DataFrame zawierający reguły w macierz przy użyciu metryki lift.
  • Wygeneruj mapę cieplną z włączonymi adnotacjami i wyłączonym paskiem kolorów.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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()
Edytuj i uruchom kod