以下是一个用户对电影的评分记录数据集： 用户ID 电影ID 评分 1 101 5.0 1 102 4.0 1 103 3.5 2 101 2.0 2 102 2.5 2 103 5.0 2 104 4.0 3 101 2.5 3 103 2.0 3 104 4.5 3 105 4.0 4 102 3.0 4 103 4.0 4 105 3.5 5 101 3.0 5 102 4.0 5 104 2.0 其中，每行记录代表一位用户对一部电影的评分。例如，第一行记录表示用户ID为1的用户对电影ID为101的电影评分为5.0分。 设计一个KNN算法模型来实现电影推荐功能，并使用该模型为一位新用户推荐电影。假设这位新用户已经对一些电影进行了评分，你需要基于这些评分来为他推荐一部电影。 提示：可以考虑使用基于用户的协同过滤方法来实现该推荐系统。具体来说，可以使用KNN算法来寻找与该新用户最相似的若干个用户，然后基于这些用户对电影的评分来为该新用户推荐电影。KNN算法代码

以下是一个简单的基于 KNN 的电影推荐算法的代码。假设我们将评分记录数据集存储在名为 ratings 的 Pandas DataFrame 中，用户已经评分的电影 ID 存储在名为 user_rated_movies 的列表中，需要为该用户推荐一部电影。请注意，此代码仅供参考，需要根据具体情况进行修改和优化。

import pandas as pd
from sklearn.neighbors import NearestNeighbors

# 读取评分记录数据集
ratings = pd.read_csv('ratings.csv')

# 构建用户-电影评分矩阵
ratings_matrix = ratings.pivot_table(index='userId', columns='movieId', values='rating')

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

# 定义 KNN 模型并拟合数据
k = 5  # 取最相似的 5 个用户
knn_model = NearestNeighbors(metric='cosine', algorithm='brute')
knn_model.fit(ratings_matrix)

# 计算最相似的 K 个用户
user_rated_movies = [101, 103, 104]  # 新用户已经评分的电影
user_ratings = pd.DataFrame({'movieId': user_rated_movies, 'rating': [0]*len(user_rated_movies)})  # 构造新用户的评分矩阵
user_ratings_matrix = user_ratings.pivot_table(index=[0]*len(user_rated_movies), columns='movieId', values='rating').fillna(0)  # 构造新用户的评分矩阵
distances, indices = knn_model.kneighbors(user_ratings_matrix, n_neighbors=k+1)

# 获取最相似的 K 个用户的评分记录
similar_users = indices.flatten()[1:]  # 排除自己
similar_ratings = ratings_matrix.iloc[similar_users, :]

# 计算电影推荐得分
movie_scores = similar_ratings.apply(lambda x: x.mean() if x.sum() > 0 else 0, axis=0)

# 获取推荐得分最高的电影
recommended_movie = movie_scores.drop(user_rated_movies).idxmax()

print('Recommended movie ID:', recommended_movie)

在上述代码中，我们首先读取评分记录数据集，然后构建用户-电影评分矩阵并填充缺失值。接着，我们定义了一个 KNN 模型，并使用 cosine 相似度度量来寻找最相似的 K 个用户。为了为新用户推荐电影，我们首先构造了一个包含新用户评分记录的评分矩阵，并使用 KNN 模型来计算最相似的 K 个用户。然后，我们获取最相似的 K 个用户的评分记录，并计算每部电影的推荐得分。最后，我们选择推荐得分最高的电影作为推荐结果。