Recommendation con NumPy: soluzioni esercizi

sols.py

# SOLUZIONE 1
for uid, iid in purchases_set:
    row = user_indices[uid]
    col = item_indices[iid]
    purchases[row, col] = 1


# SOLUZIONE 2a
# per ogni coppia ID, nome
for uid, name in users.items():
    # ottengo l'indice del vettore
    i = user_indices[uid]
    # inserisco il nome nel vettore
    user_names[i] = name

# SOLUZIONE 2b
item_names = np.empty(n_items, dtype=object)
for iid, name in items.items():
    item_names[item_indices[iid]] = name


# SOLUZIONE 3a
user_purchases.mean()

# SOLUZIONE 3b
item_purchases.max()

# SOLUZIONE 3c
user_names[user_purchases.argmax()]

# SOLUZIONE 3d
(user_purchases >= 50).sum()

# SOLUZIONE 3e
item_names[item_purchases >= 35]


# SOLUZIONE 4a
common_purchases.max()

# SOLUZIONE 4b
user_names[common_purchases[user_indices[7661]].argmax()]


# SOLUZIONE 5
interest[purchases_bool] = 0


# SOLUZIONE 6
with open("purchases-2014.csv", "r") as f:
    for uid, iid in csv.reader(f, delimiter=";"):
        purchases_updated[user_indices[int(uid)], item_indices[int(iid)]] = 1


# SOLUZIONE 7
new_purchases = purchases_updated - purchases


# SOLUZIONE 8
hits = suggestions * new_purchases


# SOLUZIONE 9a
satisfied_users = hits.max(1)

# SOLUZIONE 9b
satisfied_users.sum()

# SOLUZIONE 9c
satisfied_users.mean()


# SOLUZIONE EXTRA

# a
random_interest = np.random.random((n_users, n_items))

# b
random_interest[purchases_bool] = 0

# c
random_interest_ranking = (-random_interest).argsort(1).argsort(1)
random_suggestions = (random_interest_ranking < N).astype(np.int)

# d
random_hits = random_suggestions * new_purchases
randomly_satisfied_users = random_hits.sum(1)

# e
randomly_satisfied_users.mean()