Rekommendera böcker med support
Ett bibliotek vill uppmuntra sina medlemmar att läsa mer och har beslutat att använda market basket-analys för att ta reda på hur. De ber dig genomföra analysen och vill att du använder de fem högst betygsatta böckerna från goodbooks-10k-datamängden, som introducerades i videon. Du får data i one-hot-kodat format i en pandas DataFrame som heter books.
Varje kolumn i DataFrame:n motsvarar en bok och har värdet TRUE om boken finns i en läsares bibliotek och har fått ett högt betyg. För att förenkla arbetet använder vi förkortade boktitlar: Hunger, Potter och Twilight.
Den här övningen är en del av kursen
Marknadskorgsanalys i Python
Övningsinstruktioner
- Beräkna support för {Hunger, Potter}.
- Beräkna support för {Hunger, Twilight}.
- Beräkna support för {Potter, Twilight}.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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)