用户协同过滤算法python

用户协同过滤算法是一种常用的推荐算法，它基于用户之间的相似性来进行推荐。在Python中，可以使用多种库和框架来实现用户协同过滤算法，例如pandas和scikit-learn。

用户协同过滤算法的实现步骤如下：
1. 数据准备：首先需要准备用户-物品评分矩阵，其中行表示用户，列表示物品，矩阵中的元素表示用户对物品的评分。
2. 相似度计算：计算用户之间的相似度，常用的相似度计算方法有余弦相似度和皮尔逊相关系数。
3. 预测评分：根据用户之间的相似度，预测目标用户对未评分物品的评分。
4. 推荐生成：根据预测评分，生成推荐列表。

以下是一个简单的示例代码，使用pandas和scikit-learn库实现用户协同过滤算法：

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

# 准备用户-物品评分矩阵
ratings = pd.DataFrame({
    'User1': [5, 3, 0, 0, 2, 0],
    'User2': [0, 0, 4, 0, 0, 1],
    'User3': [4, 0, 0, 3, 4, 0],
    'User4': [0, 0, 4, 0, 0, 1],
    'User5': [0, 0, 5, 0, 0, 2],
    'User6': [2, 0, 0, 1, 2, 0]
}, index=['Item1', 'Item2', 'Item3', 'Item4', 'Item5', 'Item6'])

# 计算用户之间的相似度
similarity_matrix = cosine_similarity(ratings.T)

# 预测评分
target_user = 'User1'
target_item = 'Item3'
target_rating = 0

target_user_index = ratings.columns.get_loc(target_user)
target_item_index = ratings.index.get_loc(target_item)

predicted_rating = 0
total_similarity = 0

for i in range(len(ratings.columns)):
    if i != target_user_index and ratings.iloc[target_item_index, i] != 0:
        predicted_rating += similarity_matrix[target_user_index, i] * ratings.iloc[target_item_index, i]
        total_similarity += similarity_matrix[target_user_index, i]

if total_similarity != 0:
    predicted_rating /= total_similarity

# 生成推荐列表
recommendations = ratings.loc[:, target_user][ratings.loc[:, target_user] == 0].index.tolist()

print("预测评分：", predicted_rating)
print("推荐列表：", recommendations)