用jupyter写电影推荐的代码

在Jupyter Notebook中编写电影推荐的代码一般会涉及Python的机器学习库，如Pandas处理数据，NumPy做数值计算，Scikit-learn进行机器学习模型的训练，还有像Surprise或LightFM这样的专门的推荐系统库。以下是一个简单的例子，展示如何使用Surprise库创建一个基于协同过滤的推荐系统：

# 导入所需库
import pandas as pd
from surprise import Reader, Dataset, KNNBasic

# 假设你有一个CSV文件，其中包含用户ID、电影ID和评分
data = pd.read_csv('ratings.csv')

# 定义数据读取器
reader = Reader(rating_scale=(1, 5))  # 假设评分范围从1到5

# 将数据转化为 Surprise 的 Dataset 对象
dataset = Dataset.load_from_df(data[['userId', 'movieId', 'rating']], reader)

# 创建 KNNBasic 推荐模型
algo = KNNBasic()

# 使用训练数据拟合模型
algo.fit(dataset.build_full_trainset())

# 预测给定用户对未评级电影的评分
predictions = algo.test(dataset.build_testset())

# 输出推荐
for uid, iid, true_r, est, _ in predictions:
    print(f"User {uid} might rate movie {iid} with a score of {est}")

这只是一个基本示例，实际的代码可能还会包含数据清洗、特征选择、交叉验证和模型评估等步骤。此外，为了获得更好的推荐，还可以尝试其他更复杂的模型，如矩阵分解、深度学习模型等。