ComeçarComece de graça

Heatmaps com lift

A fundadora gostou do heatmap que você produziu para o serviço de streaming dela. Depois de discutir mais o projeto, no entanto, vocês decidiram que é importante analisar outras métricas antes de tomar a decisão final sobre quais filmes licenciar. Em particular, a fundadora sugere escolher uma métrica que diga se os valores de support estão acima do que esperaríamos, dados os valores de support individuais dos filmes.

Você se lembra de que o lift faz isso muito bem e decide usá-lo como métrica. Também recorda que o lift tem um limiar importante em 1.0 e conclui que é melhor substituir a barra de cores por anotações, para poder determinar se um valor é maior que 1.0. Observe que as regras do exercício anterior estão disponíveis como rules.

Este exercício faz parte do curso

Análise de Cesta de Compras em Python

Ver curso

Instruções do exercício

  • Importe seaborn usando seu alias padrão.
  • Transforme o DataFrame contendo as regras em uma matriz usando a métrica de lift.
  • Gere um heatmap com as anotações ativadas e a barra de cores desativada.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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()
Editar e executar o código