十三、基于用户的产品推荐根据用户的特征找到相似的用户，并且把相似用户的喜爱产品推荐给当前用户，例如，客户A和客户B相似，则将客户A所购买过的产品推荐给客户B，反之亦然。本题中使用的数据存放在两个数据文件中。文件UserInfo.csv中存放的是用户的基本信息，根据用户的基本信息计算用户相似度；文件userFavorit.csv中存放的是用户喜爱的产品，可以推荐给相似的用户。 （1）正确导入模块 （2）欧氏距离相似度公式 （3）读取数据，并对数据预处理 （5）计算欧式距离相似度 （6）基于用户的推荐（7）获得推荐物品列表（8）将推荐结果保存到recommend.txt中

以下是代码实现：

（1）正确导入模块

import pandas as pd
import numpy as np
from sklearn.metrics.pairwise import euclidean_distances

（2）欧氏距离相似度公式

def sim_euclidean(x, y):
    distance = euclidean_distances(x, y)
    similarity = 1/(1+distance)
    return similarity

（3）读取数据，并对数据预处理

# 读取用户基本信息
user_info = pd.read_csv('UserInfo.csv')
# 将用户ID设为索引
user_info.set_index('UserID', inplace=True)

# 读取用户喜爱的产品
user_favorit = pd.read_csv('userFavorit.csv')
# 将用户ID设为索引
user_favorit.set_index('UserID', inplace=True)

# 数据预处理：填充缺失值，删除重复项
user_info.fillna(value=0, inplace=True)
user_info.drop_duplicates(inplace=True)

user_favorit.fillna(value=0, inplace=True)
user_favorit.drop_duplicates(inplace=True)

（5）计算欧式距离相似度

# 计算欧式距离相似度
similarity_matrix = sim_euclidean(user_info.values, user_info.values)

（6）基于用户的推荐

# 基于用户的推荐
def user_based_recommendation(user_id, k):
    # 获取用户相似度
    sim_scores = list(enumerate(similarity_matrix[user_id]))
    # 根据相似度排序
    sim_scores = sorted(sim_scores, key=lambda x: x[1], reverse=True)
    # 取出相似度最高的k个用户
    top_k_users = [i[0] for i in sim_scores[1:k+1]]
    # 获取这k个用户喜爱的产品
    top_k_user_favorit = user_favorit.loc[top_k_users]
    # 将这k个用户喜爱的产品合并起来
    combined_products = top_k_user_favorit.sum(axis=0)
    # 删除当前用户已经购买过的产品
    user_products = user_favorit.loc[user_id]
    for product in user_products.index:
        if user_products.loc[product] > 0:
            combined_products.drop(product, inplace=True)
    # 根据得分排序，返回前n个推荐产品
    recommended_products = combined_products.sort_values(ascending=False)[:n].index.tolist()
    return recommended_products

（7）获得推荐物品列表

# 获得推荐物品列表
user_id = 1
k = 5
n = 10
recommended_products = user_based_recommendation(user_id, k)
print('为用户%s推荐的产品有：' % user_id)
for i, product in enumerate(recommended_products):
    print('%d. %s' % (i+1, product))

（8）将推荐结果保存到recommend.txt中

# 将推荐结果保存到recommend.txt中
with open('recommend.txt', 'w') as f:
    f.write('为用户%s推荐的产品有：\n' % user_id)
    for i, product in enumerate(recommended_products):
        f.write('%d. %s\n' % (i+1, product))