### Python 机器学习菜品推荐系统示例代码 以下是一个基于协同过滤的简单菜品推荐系统的实现。该系统使用了 `pandas` 和 `numpy` 来处理数据，并通过计算用户之间的相似度来生成推荐。 ```python import numpy as np import pandas as pd from sklearn.metrics.pairwise import cosine_similarity # 模拟数据：用户对菜品的评分矩阵 data = { 'User': ['Alice', 'Bob', 'Charlie', 'David'], 'Spaghetti': [5, 3, 0, 1], 'Pizza': [4, 0, 0, 1], 'Sushi': [0, 1, 5, 2], 'Burger': [1, 0, 4, 0], 'Taco': [0, 0, 0, 5] } # 创建 DataFrame df = pd.DataFrame(data) df.set_index('User', inplace=True) # 计算用户之间的相似度（余弦相似度） user_similarity = cosine_similarity(df.fillna(0)) user_similarity_df = pd.DataFrame(user_similarity, index=df.index, columns=df.index) # 定义推荐函数 def recommend_dishes(user, df, similarity_df, top_n=3): # 获取目标用户的评分向量 user_ratings = df.loc[user].dropna() # 初始化推荐分数 recommendations = {} for other_user in df.index: if other_user != user: similarity_score = similarity_df.loc[user, other_user] other_user_ratings = df.loc[other_user] # 找到其他用户评分而目标用户未评分的菜品 unrated_items = other_user_ratings[other_user_ratings.notnull() & user_ratings.isnull()] for item, rating in unrated_items.items(): if item not in recommendations: recommendations[item] = 0 recommendations[item] += similarity_score * rating # 对推荐结果进行排序 sorted_recommendations = sorted(recommendations.items(), key=lambda x: x[1], reverse=True)[:top_n] return sorted_recommendations # 测试推荐系统 user_to_recommend = 'Alice' recommendations = recommend_dishes(user_to_recommend, df, user_similarity_df) print(f"为用户 {user_to_recommend} 推荐的菜品:") for dish, score in recommendations: print(f"{dish}: {score:.2f}") ``` ### 代码说明 1. **数据准备**：创建了一个模拟的用户-菜品评分矩阵，其中包含用户对不同菜品的评分[^1]。 2. **相似度计算**：使用 `cosine_similarity` 函数计算用户之间的相似度，作为推荐的基础[^2]。 3. **推荐逻辑**：对于每个用户，找到与其相似的其他用户，并根据这些用户的评分生成推荐列表[^3]。 4. **输出结果**：返回给定用户最有可能感兴趣的菜品及其推荐分数[^4]。 ### 注意事项 - 数据集需要足够丰富才能生成有意义的推荐。 - 在实际应用中，可以结合更复杂的算法（如矩阵分解或深度学习）来提升推荐效果。