Promovendo e-books com conviction
No exercício anterior, definimos uma função para calcular conviction. Foi pedido que aplicássemos essa função a todas as permutações de dois livros do conjunto de dados goodreads-10k. Neste exercício, vamos testar a função aplicando-a aos três livros mais populares, que usamos em exercícios anteriores: The Hunger Games, Harry Potter e Twilight.
A função já foi definida para você e está disponível como conviction. Lembre-se de que ela recebe um antecedente e um consequente como seus dois argumentos. Além disso, as colunas do DataFrame books dos exercícios anteriores estão disponíveis como três DataFrames separados: potter, twilight e hunger.
Este exercício faz parte do curso
Análise de Cesta de Compras em Python
Instruções do exercício
- Calcule a conviction para {Twilight} \(\rightarrow\) {Potter} e {Potter} \(\rightarrow\) {Twilight}.
- Calcule a conviction para {Twilight} \(\rightarrow\) {Hunger} e {Hunger} \(\rightarrow\) {Twilight}.
- Calcule a conviction para {Potter} \(\rightarrow\) {Hunger} e {Hunger} \(\rightarrow\) {Potter}.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# 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)