Probetag: Python Data Science Engineering Projekt

Projektübersicht

Das Projekt enthält eine minimale Flask-Applikation, eine users.csv-Datei mit Daten und eine PDF-Datei mit weiteren Erklärungen zur Berechnung. Die App enthält bereits einen Endpunkt zum Hinzufügen eines Users.

Aufgabe

Problembeschreibung

Gegeben sind 100 User in einem System, die Aktien von Unternehmen gekauft haben. Insgesamt gibt es 20 Unternehmen. Jeder Nutzer hat zwischen 0 und 5 Aktien eines Unternehmens. Anhand dieser Informationen sollen Empfehlungen für die User berechnet werden: Hat ein anderer User nämlich ähnliche Aktienpräferenzen wie ich, aber zusätzlich Aktien eines weiteren Unternehmens, bin ich vielleicht auch am Kauf dieser Aktie interessiert. Insofern fassen wir die Anzahl der Aktien als eine Bewertung auf, die der User dem Unternehmen gibt.

Ziel

Das Ziel ist, eine API / Schnittstelle zu entwickeln, die über die folgenden Routen verfügt:

1. Es gibt eine POST-Route rate/<user_id>/<company_id> zum Abgeben einer Bewertung. Dies kann im Format {"score": 4} geschehen, d.h. der User hält 4 Aktien vom Unternehmen.
2. Es gibt eine GET-Route neighbors/<user_id>/<company_id>?number=k mit Query-Parameter number, die die k nächsten Nachbarn für einen User zurückgibt, die Anteile an <company_id> besitzen.
3. Es gibt eine GET-Route recommendations/<user_id>?number=k mit Query-Parameter number, die auf Grundlage der k nächsten Nachbarn prognostiziert, wie viele Anteile der User kaufen soll. Zur Berechnung siehe den nächsten Abschnitt. Ausgabeformat kann beispielsweise so sein

{
    "Nunez-Ramirez": 0,
    "Scott PLC": 1.02,
     # ...
    "Perez and Sons": 4.21
}

Darüber hinaus ist die API immer initialisiert mit den Daten aus users.csv, d.h. die 100 Beispieldaten sind immer vorhanden.

Berechnung der Empfehlungen

Die Ähnlichkeit zwischen User1 und User2 kann durch Pearson-Korrelation festgestellt werden (z.b. über scipy.stats.pearsonr oder numpy.corrcoef). Dabei wird die Korrelation zwischen den Bewertungsvektoren berechnet, hier also die Korrelation zwischen Aktienanteilen.

Schließlich können Bewertungen vorausgesagt werden. Eine Möglichkeit dies zu tun ist sogennantes Collaborative Filtering. Eine kleine Anleitung zur Berechnung stelle ich per PDF in diesem Repository bereit.

Tipps

Wenn keine Erfahrungen in der API-Programmierung vorhanden sind, ist der Flask Quickstart ein guter Anlaufpunkt. Ist etwas unverständlich, gibt es Probleme oder möchtest du deine Ideen diskutieren, kannst du mich jederzeit anschreiben. Du kannst auch zunächst in einem Jupyter Notebook prototypen und hinterher deine API bauen.

stock-recomender