对于movielens数据集的基于协同过滤的电影推荐系统代码怎么写

基于协同过滤的电影推荐系统代码需要以下步骤：

1. 加载数据集
2. 数据预处理
3. 计算用户之间的相似度
4. 给用户推荐电影

下面是一个简单的示例代码：

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

# 1. 加载数据集
ratings_data = pd.read_csv('ratings.csv')
movies_data = pd.read_csv('movies.csv')

# 2. 数据预处理
ratings_data = ratings_data.drop(['timestamp'], axis=1)

# 3. 计算用户之间的相似度
user_ratings = ratings_data.pivot_table(index=['userId'], columns=['movieId'], values='rating')
user_ratings = user_ratings.fillna(0)
user_similarity = cosine_similarity(user_ratings)

# 4. 给用户推荐电影
user_id = 1
user_ratings = user_ratings.loc[user_id].astype(bool)
similarity_scores = pd.Series(user_similarity[user_id])
similarity_scores.index = user_ratings.index
similarity_scores = similarity_scores.drop(user_id)
recommendations = ((user_ratings == False) & (similarity_scores > 0.4)).index
recommended_movies = movies_data[movies_data['movieId'].isin(recommendations)]
print(recommended_movies.head())

这个代码使用了 `cosine_similarity` 函数计算用户之间的相似度，然后根据相似度推荐给用户电影。其中，我们假设用户对评分为4或5的电影有兴趣，因此只推荐评分高于4的电影。此外，我们还设置了一个相似度阈值，只有相似度高于该阈值的用户的电影才会被推荐。