Hantera gleshet

Bygga rekommendationsmotorer i Python

Rob O'Callaghan

Director of Data

Glesa matriser

Liten icke-gles matris

Glesa matriser

Liten icke-gles matris och stor gles matris

Glesa matriser

Liten icke-gles matris och stor gles matris

Mäta gleshet

print(book_rating_df)

title     The Great Gatsby    The Catcher in the Rye    Fifty Shades of Grey
User                    
User_233               3.0                       NaN                     NaN
User_651               NaN                       5.0                     4.0
User_965               4.0                       3.0                     NaN
     ...               ...                       ...                     ...

Mäta gleshet

number_of_empty = book_ratings_df.isnull().values.sum()

total_number = user_ratings_df.size

sparsity = number_of_empty/total_number

print(sparsity)

0.0114

Varför gleshet spelar roll

Stor gles matris

Varför gleshet spelar roll

Stor gles matris med markerad tom cell

Varför gleshet spelar roll

Stor gles matris med markerade närmaste ifyllda grannar

Varför gleshet spelar roll

Stor gles matris med markerade närmaste ifyllda grannar

Mäta gleshet per kolumn

user_ratings_df.notnull().sum()

The Pelican Brief                           1
Snow Crash                                  1
The Great Gatsby                           12
Fifty Shades of Grey                        9
Leviathan                                   1
                                           ..

Matrisfaktorisering

Stor gles matris

Matrisfaktorisering

Stor gles matris bredvid sina faktorer

Matrisfaktorisering

Stor gles matris bredvid sina faktorer och en stor ifylld matris

Matrismultiplikation

Två rektangulära matriser

Matrismultiplikation

Två rektangulära matriser

Matrismultiplikation

Två rektangulära matriser

Matrismultiplikation

Två rektangulära matriser

Matrismultiplikation

Två rektangulära matriser bredvid en större matris som är produkten av matriserna

Matrismultiplikation

print(matrix_x)

[[4, 1], 
 [2, 2], 
 [3, 3]]

print(matrix_b)

[[1, 0, 4], 
 [0, 1, 6]]

Matrismultiplikation

import numpy as np

dot_product = np.dot(matrix_x, matrix_b)
print(dot_product)

[[ 4  1 22]
 [ 2  2 20]
 [ 3  3 30]]

Nu kör vi en övning!

Bygga rekommendationsmotorer i Python