基于svd梯度下降算法的协同过滤 """ import numpy as np import pandas as pd class SVDrecommend: # 电影id的列表 movie_list = [] # 用户id的列表 id_list = [] # 建模数据 values = [] # 构造函数 def __init__(self, userMovieScore, userMovieScoreDict):

在构造函数中，我们需要将用户对电影的评分数据进行处理和存储，以便后续使用。其中，userMovieScore是一个包含用户对电影评分的DataFrame，userMovieScoreDict是一个用户id到该用户评分数据的映射字典。具体实现如下：

def __init__(self, userMovieScore, userMovieScoreDict):
    # 获取电影id和用户id的列表
    self.movie_list = list(userMovieScore.columns)
    self.id_list = list(userMovieScore.index)
    
    # 将评分数据转换为稀疏矩阵
    self.values = np.zeros((len(self.id_list), len(self.movie_list)))
    for i in range(len(self.id_list)):
        for j in range(len(self.movie_list)):
            if userMovieScore[self.movie_list[j]][self.id_list[i]] != 0:
                self.values[i][j] = userMovieScore[self.movie_list[j]][self.id_list[i]]
    
    # 存储用户评分数据的字典
    self.userMovieScoreDict = userMovieScoreDict

在上述代码中，我们首先通过DataFrame的columns和index属性获取电影id和用户id的列表。然后，我们将评分数据转换为稀疏矩阵，其中，如果某个用户没有对某个电影评分，则相应的矩阵元素为0。最后，我们将用户评分数据存储在一个字典中，以便后续使用。