Beräkna conviction med en funktion
Efter att ha genomfört sitt provprojekt framgångsrikt bestämmer sig grundaren av e-boksstartupet för att anställa dig för ett betydligt större projekt. Hon undrar om du kan beräkna conviction för varje bokpar i goodreads-10k-datasetet, så att hon kan använda den informationen för att avgöra vilka böcker som bör placeras närmare varandra på webbplatsen.
Du tackar ja till uppdraget, men inser att du behöver ett mer effektivt sätt att beräkna conviction, eftersom du kommer att behöva göra det många gånger. Du bestämmer dig för att skriva en funktion som utför beräkningen. Den tar två kolumner från en pandas DataFrame som indata – en antecedent och en consequent – och returnerar conviction-måttet. Observera att pandas är tillgängligt som pd och numpy som np.
Den här övningen är en del av kursen
Marknadskorgsanalys i Python
Övningsinstruktioner
- Beräkna supporten för antecedenten och tilldela den till
supportA. - Beräkna supporten för NOT consequent.
- Beräkna supporten för antecedenten och NOT consequent.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
def conviction(antecedent, consequent):
# Compute support for antecedent AND consequent
supportAC = np.logical_and(antecedent, consequent).mean()
# Compute support for antecedent
supportA = ____.____()
# Compute support for NOT consequent
supportnC = 1.0 - ____.____()
# Compute support for antecedent and NOT consequent
supportAnC = ____ - supportAC
# Return conviction
return supportA * supportnC / supportAnC