目录Python全系列 教程
3567个小节阅读：5931.4k
目录
鸿蒙应用开发
C语言快速入门
JAVA全系列 教程
面向对象的程序设计语言
Python全系列 教程
Python3.x版本，未来主流的版本
人工智能 教程
顺势而为，AI创新未来
大厂算法 教程
算法，程序员自我提升必经之路
C++ 教程
一门通用计算机编程语言
微服务 教程
目前业界流行的框架组合
web前端全系列 教程
通向WEB技术世界的钥匙
大数据全系列 教程
站在云端操控万千数据
AIGC全能工具班
A A
White Night
人们经常会在视频平台上观看影片，有时目标明确，想要观看某部电影，但有时仅仅
是随机搜寻。
如果视频平台可以利用基于物品的智能推荐系统，有效地从用户对其观看过的电影的
评分中挖掘数据，便可以根据用户偏好的电影个性化地推荐更多类似的电影，优化用户体
验，提高用户粘性，创造额外收入。
读取数据
数据分析
智能推荐
以电影"阿甘正传（2031）"为例，计算各个电影与"阿甘正传（2031）"的相关系数，并
删除相关系数是NaN的数据，最后筛选出评分次数超过20次的电影数据，并按照相关系数
降序排序。
xxxxxxxxxx# 读取数据import pandas as pd movies = pd.read_excel('电影.xlsx')movies = movies.loc[:, ~movies.columns.str.contains('Unnamed')]movies.head()score = pd.read_excel('评分.xlsx')score.head()
# 合并电影数据和评分数据df = pd.merge(movies, score, on='电影编号')df.head()
# 计算每部电影的评分均值,并组装成DataFrameratings = pd.DataFrame(df.groupby('名称')['评分'].mean())# 添加评分次数列ratings['评分次数'] = df.groupby('名称')['评分'].count()# 根据评分次数降序排序ratings.sort_values('评分次数', ascending=False).head()
# 创建透视表user_movie = df.pivot_table(index='用户编号', columns='名称', values='评分')user_movie.tail()user_movie.shape
# 智能推荐FG = user_movie['阿甘正传（2031）'] # FG阿甘英文名称的缩写pd.DataFrame(FG).head()
# axis默认为0，计算user_movie各列与FG的相关系数corr_FG = user_movie.corrwith(FG)similarity = pd.DataFrame(corr_FG, columns=['相关系数'])similarity.head()
# 删除相关系数是NaN的数据similarity.dropna(inplace=True) similarity.head()
# 合并DataFramesimilarity_new = pd.merge(similarity, pd.DataFrame(ratings['评分次数']), left_index=True, right_index=True)similarity_new.head()
# 筛选出评分次数超过20次的电影数据，并按照相关系数降序排序similarity_new[similarity_new['评分次数'] > 20].sort_values(by='相关系数', ascending=False).head(10) 1. 合并DataFrame的方法是_______
A corrwith()
B merge()
C groupby()
D mean()
2. 创建DataFrame透视表的方法是_______
A crosstab()
B pivot_table()
C sort_values()
D merge()
1=>B 2=>B