用函式計算 conviction
在她的試辦專案成功後，這家電子書新創的創辦人決定聘請你進行一個更大的專案。她詢問你是否能為 goodreads-10k 資料集中的每一對書籍計算 conviction，好讓她用這些資訊決定哪些書在網站上要擺得更靠近。
你答應接下這份工作，但也發現需要更有效率的方式來計算 conviction，因為你將需要重複計算很多次。你決定撰寫一個計算用的函式。它會接受 pandas DataFrame 的兩個欄位作為輸入，一個作為前件（antecedent），一個作為後件（consequent），並輸出 conviction 指標。注意，pandas 以 pd 可用，numpy 以 np 可用。
本練習屬於課程
Python 的 Market Basket Analysis
練習說明
- 計算前件的支持度，並指定給
supportA。 - 計算「非後件」的支持度。
- 計算「前件且非後件」的支持度。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
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