基于用户的协同过滤使用余弦相似度电影推荐系统的Python代码，使用MovieLens数据集，为用户推荐电影的Python代码

好的，以下是基于用户的协同过滤使用余弦相似度电影推荐系统的Python代码，使用MovieLens数据集，为用户推荐电影的Python代码：

import pandas as pd
import numpy as np

# 读取数据集
ratings = pd.read_csv('ratings.csv')
movies = pd.read_csv('movies.csv')

# 合并数据集
ratings = pd.merge(ratings, movies, on='movieId')

# 计算用户评分矩阵
userRatings = ratings.pivot_table(index=['userId'], columns=['title'], values='rating')

# 填充缺失值
userRatings = userRatings.fillna(0)

# 计算余弦相似度
from sklearn.metrics.pairwise import cosine_similarity

userSimilarity = cosine_similarity(userRatings)

# 定义函数，返回与目标用户最相似的K个用户
def topKSimilarUsers(user, K):
    simUsers = userSimilarity[user]
    simUsers = simUsers.argsort()[::-1]
    return simUsers[1:K+1]

# 定义函数，根据最相似的K个用户推荐电影
def recommendMovies(user, K):
    simUsers = topKSimilarUsers(user, K)
    simUsersRatings = userRatings.iloc[simUsers]
    meanRatings = simUsersRatings.mean(axis=0)
    moviesToRecommend = meanRatings.sort_values(ascending=False)
    return moviesToRecommend.index.tolist()

# 示例：为用户1推荐10部电影
user = 1
K = 10
recommendedMovies = recommendMovies(user, K)
print(recommendedMovies)

在示例中，我们为用户1推荐了10部电影。可以根据需要自行修改用户编号和推荐数量。推荐结果为一个电影名称的列表，按照推荐程度从高到低排列。