电影推荐系统python代码

作为语言模型AI，我不具备生成代码的能力，但是我可以给出一些电影推荐系统的代码示例和思路：

1. 基于协同过滤的推荐系统

协同过滤是推荐系统中最常用的算法之一，其基本思想是根据用户的历史行为数据，找出与其类似的用户或物品，推荐给该用户他们喜欢的内容。

以下是基于协同过滤的电影推荐系统代码示例：

import pandas as pd
from sklearn.metrics.pairwise import cosine_similarity

# 读取电影数据
movies = pd.read_csv('movies.csv')
# 读取评分数据
ratings = pd.read_csv('ratings.csv')

# 合并电影和评分数据
movie_ratings = pd.merge(movies, ratings)

# 构建电影评分矩阵
movie_matrix = movie_ratings.pivot_table(index='userId', columns='title', values='rating')

# 计算电影之间的相似度
movie_similarity = cosine_similarity(movie_matrix)

# 推荐电影函数
def recommend_movies(movie_title):
    # 查找电影对应的行索引
    movie_index = movie_matrix.columns.get_loc(movie_title)

    # 计算当前电影与其他电影的相似度
    similar_movies = movie_similarity[movie_index]

    # 将相似度与电影名称合并为一个DataFrame
    similar_movies_df = pd.DataFrame(similar_movies, index=movie_matrix.columns, columns=['similarity'])

    # 根据相似度从高到低排序
    similar_movies_df = similar_movies_df.sort_values(by='similarity', ascending=False)

    # 返回相似度最高的前10部电影
    return similar_movies_df.head(10).index.tolist()

2. 基于内容过滤的推荐系统

内容过滤是另一种常用的推荐算法，其基本思想是根据物品的属性和特征，推荐与其相似的物品。

以下是基于内容过滤的电影推荐系统代码示例：

import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.metrics.pairwise import cosine_similarity

# 读取电影数据
movies = pd.read_csv('movies.csv')

# 构建电影特征矩阵
count = CountVectorizer(stop_words='english')
movie_features = count.fit_transform(movies['genres'].fillna(''))

# 计算电影之间的相似度
movie_similarity = cosine_similarity(movie_features)

# 推荐电影函数
def recommend_movies(movie_title):
    # 查找电影对应的行索引
    movie_index = movies[movies['title'] == movie_title].index.values[0]

    # 计算当前电影与其他电影的相似度
    similar_movies = movie_similarity[movie_index]

    # 将相似度与电影名称合并为一个DataFrame
    similar_movies_df = pd.DataFrame(similar_movies, index=movies['title'], columns=['similarity'])

    # 根据相似度从高到低排序
    similar_movies_df = similar_movies_df.sort_values(by='similarity', ascending=False)

    # 返回相似度最高的前10部电影
    return similar_movies_df.head(10).index.tolist()

以上两种算法都可以作为电影推荐系统的基础，具体实现时可以根据数据集和需求进行调整和优化。