请用协同过滤算法做一个电影推荐系统 代码实现

好的，下面是使用Python实现基于用户的协同过滤算法的电影推荐系统的代码：

import pandas as pd
import numpy as np

# 加载数据
ratings_data = pd.read_csv("ratings.csv")
movies_data = pd.read_csv("movies.csv")

# 将电影名称和用户ID进行编码
ratings_data["user_id"] = ratings_data["userId"].apply(lambda x: str(x))
ratings_data["movie_id"] = ratings_data["movieId"].apply(lambda x: str(x))
movies_data["movie_id"] = movies_data["movieId"].apply(lambda x: str(x))

# 构建用户电影评分矩阵
ratings_matrix = pd.pivot_table(ratings_data, values="rating", index="user_id", columns="movie_id")

# 计算用户之间的相似度
user_similarity_matrix = ratings_matrix.corr(method="pearson")

# 定义推荐函数
def recommend_movies(user_id, num_recommendations):
    # 找到与目标用户最相似的K个用户
    similar_users = user_similarity_matrix[user_id].sort_values(ascending=False)[1:num_recommendations+1]
    
    # 找到这K个用户喜欢的电影
    similar_users_ratings = ratings_matrix.loc[similar_users.index]
    avg_ratings = similar_users_ratings.mean(axis=0)
    
    # 推荐目标用户可能喜欢的电影
    movies_to_recommend = avg_ratings.drop(ratings_matrix.loc[user_id].dropna().index).sort_values(ascending=False)[:10]
    recommended_movies = movies_data.loc[movies_data["movie_id"].isin(movies_to_recommend.index)]
    
    return recommended_movies

# 测试推荐函数
recommendations = recommend_movies(user_id="1", num_recommendations=10)
print(recommendations)

这段代码首先加载了电影评分数据和电影信息数据，然后将电影名称和用户ID进行编码。接着，构建了用户电影评分矩阵，并利用皮尔逊相关系数计算了用户之间的相似度。最后，定义了一个推荐函数，它根据目标用户的历史评分记录，找到与目标用户最相似的K个用户，然后推荐这K个用户喜欢的电影中目标用户未看过的电影。最后，利用测试数据测试了推荐函数，并输出了推荐结果。

如果要实现基于物品的协同过滤算法的电影推荐系统，代码也类似，只需要修改一些细节即可。