帮我用python写一个有分类和聚类的推荐系统代码

好的，以下是一个简单的推荐系统代码，包含分类和聚类：

import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
from sklearn.cluster import KMeans

# 读取数据
df = pd.read_csv("data.csv")

# 分类
# 提取文本特征
tfidf_vectorizer = TfidfVectorizer(stop_words='english')
tfidf = tfidf_vectorizer.fit_transform(df['text'])

# 计算相似度
similarity_matrix = cosine_similarity(tfidf)

# 选取最相似的文章
similar_articles = []
for i in range(len(similarity_matrix)):
    similar_articles.append(list(enumerate(similarity_matrix[i])))
    
    # 按相似度排序
    similar_articles[i] = sorted(similar_articles[i], key=lambda x: x[1], reverse=True)
    
    # 去除自身
    similar_articles[i] = similar_articles[i][1:]

# 聚类
# 计算文章的tf-idf
tfidf_matrix = tfidf_vectorizer.fit_transform(df['text'])

# 使用k-means算法进行聚类
kmeans = KMeans(n_clusters=3)
kmeans.fit(tfidf_matrix)

# 输出聚类结果
for i, cluster in enumerate(kmeans.labels_):
    print("文章 {} 属于聚类 {}".format(i, cluster))

其中，`data.csv`是包含文章标题和文本内容的csv文件。

以上代码中，我们首先对文章进行分类，通过计算tf-idf向量之间的余弦相似度，选取最相似的文章。然后，我们使用k-means算法进行聚类，将文章分为3个聚类。最后，我们输出每篇文章所属的聚类。

需要注意的是，以上代码仅供参考，具体实现方式还需要根据你的具体需求进行调整。