电影推荐系统的Python代码

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 cosine_similarity

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

#创建基于电影描述的TF-IDF向量
tfidf = TfidfVectorizer(stop_words='english')
movies['description'] = movies['description'].fillna('')
tfidf_matrix = tfidf.fit_transform(movies['description'])

#计算电影相似性矩阵
cosine_sim = cosine_similarity(tfidf_matrix, tfidf_matrix)

#获取电影推荐函数
def get_recommendations(title, cosine_sim=cosine_sim, movies=movies):
    #获取电影的索引
    idx = movies[movies['title'] == title].index[0]

    #获取所有电影的相似度得分
    sim_scores = list(enumerate(cosine_sim[idx]))

    #根据相似度得分对电影进行排序
    sim_scores = sorted(sim_scores, key=lambda x: x[1], reverse=True)

    #获取最相似的前10部电影
    sim_scores = sim_scores[1:11]
    movie_indices = [i[0] for i in sim_scores]
    return movies['title'].iloc[movie_indices]

#获取电影推荐
get_recommendations('The Dark Knight')

需要注意的是，上述代码仅作为示例，实际应用时需要根据自己的数据和需求进行调整和优化。