用支持度推荐图书
一家图书馆希望促使会员读更多书，决定用购物篮分析来寻找方法。他们请您进行分析，并要求使用在视频中介绍过的 goodbooks-10k 数据集里评分最高的 5 本书。您会拿到一个经过独热编码的一份 pandas DataFrame，名为 books。
DataFrame 的每一列对应一本书；若读者的书库中包含该书且评分很高，则该列取值为 TRUE。为便于演示，我们使用简化书名：Hunger、Potter 和 Twilight。
本练习是课程的一部分
Python 中的购物篮分析
练习说明
- 计算 {Hunger, Potter} 的支持度。
- 计算 {Hunger, Twilight} 的支持度。
- 计算 {Potter, Twilight} 的支持度。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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)