Recomendando livros com suporte
Uma biblioteca quer fazer com que os membros leiam mais e decidiu usar análise de cesta de compras para descobrir como. Eles procuraram você para fazer a análise e pediram que você usasse os cinco livros mais bem avaliados do conjunto de dados goodbooks-10k, apresentado no vídeo. Você recebeu os dados no formato one-hot em um DataFrame do pandas chamado books.
Cada coluna do DataFrame corresponde a um livro e tem o valor TRUE se o livro está na biblioteca do leitor e foi bem avaliado. Para simplificar, vamos trabalhar com nomes abreviados: Hunger, Potter e Twilight.
Este exercício faz parte do curso
Análise de Cesta de Compras em Python
Instruções do exercício
- Calcule o suporte para {Hunger, Potter}.
- Calcule o suporte para {Hunger, Twilight}.
- Calcule o suporte para {Potter, Twilight}.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# 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)