Rekomendacje niespersonalizowane

Budowanie systemów rekomendacji w Pythonie

Rob O'Callaghan

Director of Data

Niespersonalizowane oceny

Przykład trzech książek często kupowanych razem.

Znajdowanie najpopularniejszych pozycji

DataFrame book_df:

Użytkownik	Książka
User_233	The Great Gatsby
User_651	The Catcher in the Rye
User_131	The Lord of the Rings
User_965	Little Women
User_651	Fifty Shades of Grey
...	...

Znajdowanie najpopularniejszych pozycji

book_df['book'].value_counts()

40 Shades of Grey                      524
Harry Potter and the Sorcerer's Stone  487
The Da Vinci Code                      455
The Twilight Saga                      401
Lord of the Rings                      278
                                     ...

Znajdowanie najpopularniejszych pozycji

print(book_df.value_counts().index)

Index(['40 Shades of Grey', 'Harry Potter and the Sorcerer's Stone',
       'The Da Vinci Code', 'The Twilight Saga',
       'The Lord of the Rings'],
      dtype='object')

Znajdowanie najlepiej ocenianych pozycji

DataFrame user_ratings:

Użytkownik	Książka	Ocena
User_233	The Great Gatsby	3.0
User_651	The Catcher in the Rye	5.0
User_131	The Lord of the Rings	3.0
User_965	Little Women	4.0
User_651	Fifty Shades of Grey	2.0
...	...	...

Znajdowanie najlepiej ocenianych pozycji

avg_rating_df = user_ratings[["book", "rating"]].groupby(['book']).mean()
avg_rating_df.head()

                                      rating
title                                      
Hamlet                                   4.1
The Da Vinci Code                       2.1
Gone with the Wind                       4.2
Fifty Shades of Grey                     1.2
Wuthering Heights                        3.9
                                          ...

Znajdowanie najlepiej ocenianych pozycji

sorted_avg_rating_df = avg_rating_df.sort_values(by="rating", ascending=False)
sorted_avg_rating_df.head()

                                      rating
title                                      
The Girl in the Fog                      5.0
Behind the Bell                          5.0
Across the River and into the Trees      5.0
The Complete McGonagall                  5.0
What Is to Be Done?                      5.0
                                          ...

Znajdowanie najlepiej ocenianych pozycji

(user_ratings['title']=='The Girl in the Fog').sum()

(user_ratings['title']=='Valley of the Dolls').sum()

(user_ratings['title']=='Across the River and into the Trees').sum()

Znajdowanie popularnych i najlepiej ocenianych pozycji

book_frequency = user_ratings["book"].value_counts()
print(book_frequency)

40 Shades of Grey                      524
Harry Potter and the Sorcerer's Stone  487
                                       ...

frequently_reviewed_books = book_frequency[book_frequency > 100].index
print(frequently_reviewed_books)

Index([u'The Lord of the Rings', u'To Kill a Mockingbird', u'Of Mice and Men',
       u'1984', u'Hamlet'])

Znajdowanie popularnych i najlepiej ocenianych pozycji

frequent_books_df =  user_ratings_df[user_ratings_df["book"].isin(frequently_reviewed_books)]

frequent_books_avgs = frequently_reviewed_books[["title", "rating"]].groupby('title').mean()
print(frequent_books_avgs.sort_values(by="rating", ascending=False).head())

                                      rating
title                                      
To Kill a Mockingbird                    4.7
1984.                                    4.7
Harry Potter and the Sorcerer's Stone    4.6
                                          ...

Czas na ćwiczenia!

Budowanie systemów rekomendacji w Pythonie