movies_dataest.csv文件使用jupyter代码，利用consine相似度來推荐电影（基础版本：以Avatar为例，给用户推荐10部类似的电影）。

在Jupyter环境中，为了基于`movies_data.csv`文件推荐电影，我们通常需要执行以下几个步骤：

1. **数据加载**：
首先，我们需要导入所需的库，如pandas用于处理CSV文件，numpy用于数学计算，以及scikit-learn的cosine_similarity模块来进行余弦相似度计算。

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

2. **数据预处理**：
加载CSV文件，并提取与电影 Avatar 相关的数据。假设电影名在 'title' 列，其他描述特征在 'features' 列（如演员、导演、类型等）。

df = pd.read_csv('movies_dataest.csv')
avatar_df = df[df['title'] == 'Avatar']
movie_features = df.drop_duplicates(subset=['title'])['features'].values

3. **计算相似度矩阵**：
将所有电影的特征向量转换成数值型，并计算它们之间的相似度。这里使用 `TfidfVectorizer` 来处理文本特征。

from sklearn.feature_extraction.text import TfidfVectorizer

vectorizer = TfidfVectorizer()
movie_vectors = vectorizer.fit_transform(movie_features)
similarity_matrix = cosine_similarity(movie_vectors)

4. **找到类似电影**：
找到Avatar所在行的所有相似度，并按降序排列。然后选择前10个最相似的电影。

# 获取Avatar对应的索引
avatar_index = df[df['title'] == 'Avatar'].index[0]
similar_movies_indices = similarity_matrix[avatar_index].argsort()[::-1][1:11]

# 返回推荐的电影标题
recommended_movies = df.loc[similar_movies_indices]['title'].tolist()

5. **结果展示**：
最后，将推荐的电影打印出来。

print("Based on Avatar, here are your top 10 recommendations:")
for i, movie in enumerate(recommended_movies, start=1):
    print(f"{i}. {movie}")