視覺化 itemset 的 support
一家新創串流內容公司找你做顧問。他們想把授權費壓低，因此計畫打造一個精簡的電影片庫，鎖定同一受眾的喜好。雖然內容選擇會比產業中的大玩家少，但他們也能提供較低的訂閱費。
你決定使用 MovieLens 資料與 heatmap 來完成這個專案。使用以 support 為基礎的簡單 heatmap，可以幫你找出與其他片名一起出現 support 較高的個別片名。已完成 one-hot 編碼的資料可在 DataFrame onehot 中取得。此外，pandas 已以 pd 匯入，seaborn 以 sns 匯入，apriori() 與 association_rules() 也都已匯入。
本練習屬於課程
Python 的 Market Basket Analysis
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。
# Compute frequent itemsets using a minimum support of 0.07
frequent_itemsets = apriori(onehot, min_support = ____,
use_colnames = True, max_len = 2)
# Compute the association rules
rules = association_rules(____, metric = 'support',
min_threshold = 0.0)