怎么使用Python构建电影推荐系统

这篇文章主要讲解了“怎么使用python构建电影推荐系统”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“怎么使用Python构建电影推荐系统”吧！

导入数据

导入和合并数据集并创建 pandas DataFrame

MovieLens 20M 数据集自 1995 年以来超过 2000 万的电影评级和标记活动。

# usecols 允许选择自己选择的特征，并通过dtype设定对应类型movies_df=pd.read_csv('movies.csv', usecols=['movieId','title'], dtype={'movieId':'int32','title':'str'})movies_df.head()

ratings_df=pd.read_csv('ratings.csv', usecols=['userId', 'movieId', 'rating','timestamp'], dtype={'userId': 'int32', 'movieId': 'int32', 'rating': 'float32'})ratings_df.head()

检查是否存在任何空值以及两个数据中的条目数。

# 检查缺失值movies_df.isnull().sum()

movieId 0

title 0

dtype: int64

ratings_df.isnull().sum()

userId 0

movieId 0

rating 0

timestamp 0

dtype: int64

print("Movies:",movies_df.shape)print("Ratings:",ratings_df.shape)

Movies: (9742, 2)

Ratings: (100836, 4)

合并列上的数据帧 'movieId'

# movies_df.info()# ratings_df.info()movies_merged_df=movies_df.merge(ratings_df, on='movieId')movies_merged_df.head()

现在已经成功合并了导入的数据集。

添加衍生特征

添加必要的特征来分析数据。

通过按电影标题对用户评分进行分组来创建'Average Rating' & 'Rating Count'列。

movies_average_rating=movies_merged_df.groupby('title')['rating'] .mean().sort_values(ascending=False).reset_index().rename(columns={'rating':'Average Rating'})movies_average_rating.head()

movies_rating_count=movies_merged_df.groupby('title')['rating'].count().sort_values(ascending=True) .reset_index().rename(columns={'rating':'Rating Count'}) #ascending=Falsemovies_rating_count_avg=movies_rating_count.merge(movies_average_rating, on='title')movies_rating_count_avg.head()

目前已经创建了 2 个新的衍生特征。

数据可视化

使用 Seaborn 可视化数据：

• 经过分析发现，许多电影在近 10 万用户评分的数据集上都有完美的 5 星平均评分。这表明存在异常值，我们需要通过可视化进一步确认。

• 多部电影的评分比较单一，建议设置一个评分门槛值，以便产生有价值的推荐。

使用 seaborn & matplotlib 可视化数据，以便更好地观察和分析数据。

将新创建的特征绘制直方图，并查看它们的分布。设置 bin 大小为80，该值的设置需要具体分析，并合理设置。

# 导入可视化库import seaborn as snsimport matplotlib.pyplot as pltsns.set(font_scale = 1)plt.rcParams["axes.grid"] = Falseplt.style.use('dark_background')%matplotlib inline# 绘制图形plt.figure(figsize=(12,4))plt.hist(movies_rating_count_avg['Rating Count'],bins=80,color='tab:purple')plt.ylabel('Ratings Count(Scaled)', fontsize=16)plt.savefig('ratinGCounthist.jpg')plt.figure(figsize=(12,4))plt.hist(movies_rating_count_avg['Average Rating'],bins=80,color='tab:purple')plt.ylabel('Average Rating',fontsize=16)plt.savefig('avgratinghist.jpg')

图1 Average Rating直方图

图2 Rating Count的直方图

现在创建一个joinplot二维图表，将这两个特征一起可视化。

plot=sns.jointplot(x='Average Rating', y='Rating Count', data=movies_rating_count_avg, alpha=0.5,  color='tab:pink')plot.savefig('joinplot.jpg')

Average Rating和Rating Count的二维图

分析

• 图1证实了，大部分电影的评分都是较低的。除了设置阈值之外，我们还可以在这个用例中使用一些更高百分比的分位数。

• 直方图 2 展示了“Average Rating”的分布函数。

数据清洗

运用describe()函数得到数据集的描述统计值，如分位数和标准差等。

pd.set_option('display.float_fORMat', lambda x: '%.3f' % x)print(rating_with_RatingCount['Rating Count'].describe())

count 100836.000mean58.759std 61.965min1.00025% 13.00050% 39.00075% 84.000max329.000Name: Rating Count, dtype: float64

设置阈值并筛选出高于阈值的数据。

popularity_threshold = 50popular_movies= rating_with_RatingCount[rating_with_RatingCount['Rating Count']>=popularity_threshold]popular_movies.head()# popular_movies.shape

至此已经通过过滤掉了评论低于阈值的电影来清洗数据。

创建数据透视表

创建一个以用户为索引、以电影为列的数据透视表

为了稍后将数据加载到模型中，需要创建一个数据透视表。并设置'title'作为索引，'userId'为列，'rating'为值。

import osmovie_features_df=popular_movies.pivot_table(index='title',columns='userId',values='rating').fillna(0)movie_features_df.head()movie_features_df.to_excel('output.xlsx')

接下来将创建的数据透视表加载到模型。

建立 kNN 模型

建立 kNN 模型并输出与每部电影相似的 5 个推荐

使用scipy.sparse模块中的csr_matrix方法，将数据透视表转换为用于拟合模型的数组矩阵。

from scipy.sparse import csr_matrixmovie_features_df_matrix = csr_matrix(movie_features_df.values)

最后，使用之前生成的矩阵数据，来训练来自sklearn中的NearestNeighbors算法。并设置参数：metric = 'cosine', alGorithm = 'brute'

from sklearn.neighbors import NearestNeighborsmodel_knn = NearestNeighbors(metric = 'cosine', algorithm = 'brute')model_knn.fit(movie_features_df_matrix)

现在向模型传递一个索引，根据'kneighbors'算法要求，需要将数据转换为单行数组，并设置n_neighbors的值。

query_index = np.random.choice(movie_features_df.shape[0])distances, indices = model_knn.kneighbors(movie_features_df.iloc[query_index,:].values.reshape(1, -1),n_neighbors = 6)

最后在 query_index 中输出出电影推荐。

for i in range(0, len(distances.flatten())):if i == 0:print('Recommendations for {0}:n'.format(movie_features_df.index[query_index]))else:print('{0}: {1}, with distance of {2}:'.format(i, movie_features_df.index[indices.flatten()[i]],distances.flatten()[i]))

Recommendations for Harry Potter and the Order of the Phoenix (2007):1: Harry Potter and the Half-Blood Prince (2009), with distance of 0.2346513867378235:2: Harry Potter and the Order of the Phoenix (2007), with distance of 0.3396233320236206:3: Harry Potter and the Goblet of Fire (2005), with distance of 0.4170845150947571:4: Harry Potter and the Prisoner of Azkaban (2004), with distance of 0.4499547481536865:5: Harry Potter and the Chamber of Secrets (2002), with distance of 0.4506162405014038:

感谢各位的阅读，以上就是“怎么使用Python构建电影推荐系统”的内容了，经过本文的学习后，相信大家对怎么使用Python构建电影推荐系统这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是编程网，小编将为大家推送更多相关知识点的文章，欢迎关注！