from random import randrangedata = { f'user{str(i)}': { f'film{str(j)}': randrange(1, 10) for j in range(randrange(15)) } for i in range(10)}for user in data: data[user]['score'] = randrange(1, 100)print(data)让这段代码的每个user换行

from random import randrange

data = {
f'user{str(i)}': {
f'film{str(j)}': randrange(1, 10)
for j in range(randrange(15))
}
for i in range(10)
}

for user in data:
data[user]['score'] = randrange(1, 100)

for user in data:
print(user)
print(data[user])
print() # 每个user换行

相关问题

功能描述:电影推荐 from random import randrange #模拟已有历史数据，{用户名:{喜欢的电影名单}} data= {'user'+str(i): {'film'+str(r...

好的，这是一个电影推荐的代码实现，具体功能是根据已有用户的喜欢电影记录，推荐给新用户可能喜欢的电影。代码如下：

from random import randrange

# 模拟已有历史数据，{用户名:{喜欢的电影名单}}
data= {'user'+str(i): {'film'+str(randrange(10)) for j in range(randrange(5))} for i in range(10)}

# 定义电影列表
films = {'film'+str(i) for i in range(10)}

# 定义函数，根据用户历史记录推荐电影
def recommend(user):
    # 定义用户历史记录
    user_history = data[user]
    # 计算用户未看过的电影
    unseen_films = films - user_history
    # 定义每部电影的得分
    scores = {film: 0 for film in unseen_films}
    # 遍历每个用户的历史记录
    for user, history in data.items():
        # 计算用户和当前用户的历史记录的相似度
        similarity = len(history & user_history) / len(history | user_history)
        # 遍历当前用户未看过的电影
        for film in unseen_films:
            # 如果当前用户和遍历的用户都喜欢这部电影，给电影加分
            if film in history:
                scores[film] += similarity
    # 对电影按得分排序，返回得分最高的电影
    return sorted(unseen_films, key=lambda film: scores[film], reverse=True)[0]

# 测试代码
print(recommend('user1'))

这段代码首先模拟了已有的用户历史数据，然后根据用户历史记录推荐电影。具体实现是，首先计算用户未看过的电影，然后遍历每个用户的历史记录，计算当前用户和遍历的用户的历史记录的相似度，如果当前用户和遍历的用户都喜欢这部电影，给电影加分。最后对电影按得分排序，返回得分最高的电影。

完善以下代码from random import seed,randrange # 模拟历史电影打分数据 seed(2050) data = {'user'+str(i):{'film'+str(randrange(1, 15)):randrange(1, 6) for j in range(randrange(3, 10))} for i in range(10)} #print(data) # 当前用户打分数据 user = {'film'+str(randrange(1, 15)):randrange(1,6) for i in range(5)} #print(user) # 基于用户的协同过滤算法原理: # 两个用户共同打分的电影最多,并且所有电影打分差值的平方和最小 f = lambda item:(-len(item[1].keys()&user), sum(((item[1].get(film)-user.get(film))**2 for film in user.keys()&item[1].keys()))) # 寻找最相似的用户及其对电影打分情况 similarUser, films = min(data.items(), key=f) #print(similarUser, films) print('known data'.center(50, '=')) print(data) print('current user'.center(50, '=')) print(user) print('most similar user and his films'.center(50, '=')) print(similarUser, films, sep=':') print('recommended film'.center(50, '=')) # 在当前用户没看过的电影中选择打分最高的进行推荐

以下是完善后的代码：

from random import seed, randrange

# 模拟历史电影打分数据
seed(2050)
data = {'user'+str(i):{'film'+str(randrange(1, 15)):randrange(1, 6) for j in range(randrange(3, 10))} for i in range(10)}

# 当前用户打分数据
user = {'film'+str(randrange(1, 15)):randrange(1,6) for i in range(5)}

# 基于用户的协同过滤算法原理:
# 两个用户共同打分的电影最多,并且所有电影打分差值的平方和最小
f = lambda item:(-len(item[1].keys()&user), sum(((item[1].get(film)-user.get(film))**2 for film in user.keys()&item[1].keys())))

# 寻找最相似的用户及其对电影打分情况
similarUser, films = min(data.items(), key=f)

print('known data'.center(50, '='))
print(data)

print('current user'.center(50, '='))
print(user)

print('most similar user and his films'.center(50, '='))
print(similarUser, films, sep=':')

print('recommended film'.center(50, '='))

# 在当前用户没看过的电影中选择打分最高的进行推荐
recommended_film = max(films.keys() - user.keys(), key=films.get)
print(recommended_film)

这段代码实现了基于用户的协同过滤算法，并在当前用户没看过的电影中选择打分最高的进行推荐。