请用Python语言编写一个电影推荐系统

当然可以！以下是一个简单的电影推荐系统的Python代码示例：

import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import linear_kernel

# 读取电影数据集
movies = pd.read_csv('movies.csv')

# 使用TF-IDF向量化电影描述
tfidf = TfidfVectorizer(stop_words='english')
movies['description'] = movies['description'].fillna('')
tfidf_matrix = tfidf.fit_transform(movies['description'])

# 计算电影之间的余弦相似度
cosine_sim = linear_kernel(tfidf_matrix, tfidf_matrix)

# 根据电影标题推荐电影
def get_recommendations(title, cosine_sim=cosine_sim, movies=movies):
    # 获取电影标题的索引
    indices = pd.Series(movies.index, index=movies['title']).drop_duplicates()

    # 获取输入电影的索引
    idx = indices[title]

    # 计算该电影与其他电影的相似度得分
    sim_scores = list(enumerate(cosine_sim[idx]))

    # 按相似度排序
    sim_scores = sorted(sim_scores, key=lambda x: x[1], reverse=True)

    # 取出前10个最相似的电影
    sim_scores = sim_scores[1:11]

    # 获取这些电影的索引
    movie_indices = [i[0] for i in sim_scores]

    # 返回推荐的电影标题
    return movies['title'].iloc[movie_indices]

# 测试推荐系统
print(get_recommendations('The Dark Knight'))

上述代码使用了一个包含电影标题和描述的CSV文件（movies.csv）。首先，它使用TF-IDF向量化电影描述，然后通过计算余弦相似度来找到与给定电影最相似的其他电影。最后，它返回前10个最相似的电影标题。

请注意，这只是一个简单的示例，实际的电影推荐系统可能需要更复杂的算法和数据处理步骤。