2021-10-28

《推荐系统开发实战》作者高阳团

1.准备数据：不仅有要推荐物品的数据还要有用户的行为日志。
2.选择算法
3.模型训练：训练前的数据处理包括：归一化、空值处理；数据集较大时抽样虽小数据集。
4.效果评估：常见的模型评估包括准确率、召回率、F1-Score等。

数据决定天花板？

关于电影评分的数据集：https://grouplens.org/datasets/movielens/
书中使用的是 ml-1m.zip

个人感觉和.csv文件差不多
面临问题是如何把他导入到SQL server数据库中，并且能用python调用

列对应的是：UserID：：MovieID：：Rating：：Timestamp
第一行表示ID为1的用户在978300760时间戳对ID为1193的电影打五分

下面用代码对这个数据进行一下简单的分析：

# 3-1评分记录数据查看
import pandas as pd
import matplotlib.pyplot as plt

#用来正常显示中文标签
plt.rcParams["font.sans-serif"] = ["SimHei"]
#用来正常显示负号
plt.rcParams["axes.unicode_minus"] = False

def getRatings(file_path):
    rates = pd.read_table(
        file_path,
        header=None,
        sep="::",
        names=["userID","movieID","rate","timestamp"],
        engine = 'python'
    )
    print("userID的范围为：<{},{}>".format(min(rates["userID"]),max(rates["userID"])))
    print("movieID的范围为：<{},{}>".format(min(rates["movieID"]), max(rates["movieID"])))
    print("rate的范围为：<{},{}>".format(min(rates["rate"]), max(rates["rate"])))
    print("数据总条数为：n{}".format(rates.count())) #统计了rates的总数
    print("数据前5条记录为:n{}".format(rates.head(5)))
    df = rates["userID"].groupby(rates["userID"])
    print("用户评分记录最少的条数为：{}".format(df.count().min()))

    #制作一个条形图
    scores = rates["rate"].groupby(rates["rate"]).count()
    #在图上添加数字
    for x,y in zip(scores.keys(),scores.values):
        plt.text(x, y+2, "%.0f" % y, ha="center", va="bottom", fontsize=12)
    plt.bar(scores.keys(),scores.values, fc="r", tick_label=scores.keys())
    #给条形图加横纵标签和大title
    plt.xlabel("评分分数")
    plt.ylabel("对应人数")
    plt.title("评分分数对应人数表")
    plt.show()

if __name__ == "__main__":
    getRatings("ratings.dat")

遇到的问题：
1.userID打成了userID；movieID打成了moviesID;太粗心了，这个错误还挺难找的，一点点找出来改了。
2.程序可以运行但是会报下面这个错误：
ParserWarning: Falling back to the ‘python’ engine because the ‘c’ engine does not support regex separators (separators > 1 char and different from ‘s+’ are interpreted as regex); you can avoid this warning by specifying engine=‘python’.
return read_csv(**locals())

解决方法：加上 engine=‘python’

    rates = pd.read_table(
        file_path,
        header=None,
        sep="::",
        names=["userID","movieID","rate","timestamp"],
        engine = 'python'#加上这个就好了
    )

转载于:https://www.cnblogs.com/kimbo/p/6347148.html

经历一番磨难代码终于跑起来了

以下是代码运行效果：

总算是看到了其中一个文件的统计结果，今天先结束吧