以下是一个简单的基于Python的电影推荐系统的示例代码，这里使用协同过滤算法来实现推荐功能。 ```python import pandas as pd from sklearn.metrics.pairwise import cosine_similarity # 加载数据 # 假设数据文件是一个包含用户、电影和评分的CSV文件 data = pd.read_csv('movie_ratings.csv') # 创建用户 - 电影评分矩阵 user_movie_matrix = data.pivot(index='user_id', columns='movie_id', values='rating') user_movie_matrix = user_movie_matrix.fillna(0) # 计算用户之间的相似度 user_similarity = cosine_similarity(user_movie_matrix) user_similarity = pd.DataFrame(user_similarity, index=user_movie_matrix.index, columns=user_movie_matrix.index) def get_recommendations(user_id, top_n=5): # 获取目标用户的相似度得分 similar_users = user_similarity[user_id].sort_values(ascending=False)[1:top_n + 1] # 获取相似用户的电影评分 similar_user_ratings = user_movie_matrix.loc[similar_users.index] # 计算加权评分 weighted_ratings = similar_user_ratings.multiply(similar_users, axis=0) # 计算每部电影的加权平均评分 movie_scores = weighted_ratings.sum(axis=0) / similar_users.sum() # 过滤掉目标用户已经看过的电影 user_ratings = user_movie_matrix.loc[user_id] unrated_movies = user_ratings[user_ratings == 0].index # 获取未看过电影的评分 unrated_movie_scores = movie_scores.loc[unrated_movies] # 按评分排序并取前top_n部电影 top_movies = unrated_movie_scores.sort_values(ascending=False).head(top_n) return top_movies # 示例：为用户1推荐电影 user_id = 1 recommended_movies = get_recommendations(user_id) print(f"为用户 {user_id} 推荐的电影：") print(recommended_movies) ``` ### 代码说明： 1. **数据加载**：使用`pandas`库加载包含用户、电影和评分的CSV文件。 2. **创建用户 - 电影评分矩阵**：使用`pivot`方法将数据转换为用户 - 电影评分矩阵，并填充缺失值为0。 3. **计算用户相似度**：使用`cosine_similarity`函数计算用户之间的余弦相似度。 4. **推荐函数**：`get_recommendations`函数根据用户的相似度得分，计算加权评分，并推荐未看过的电影。 ### 注意事项： - 代码中的`movie_ratings.csv`文件需要根据实际情况替换为真实的数据文件。 - 数据文件应包含`user_id`、`movie_id`和`rating`三列。