Deine ersten Filmempfehlungen erstellen
Jetzt, wo du die am häufigsten gemeinsam gesehenen Filme gefunden hast, kannst du deine ersten Empfehlungen aussprechen!
Auch wenn du keine Informationen über die zuschauende Person berücksichtigst und nicht einmal Details über den Film kennst, lassen sich durch die Betrachtung von Filmgruppen, die von denselben Personen gesehen werden, dennoch wertvolle Empfehlungen ableiten.
In dieser Übung untersuchst du die Filme, die häufig von denselben Personen gesehen werden, die auch Thor gesehen haben, und nutzt diese Daten, um jemandem eine Empfehlung zu geben, der den Film gerade gesehen hat.
Das im letzten Abschnitt erzeugte DataFrame combination_counts_df, das enthält, wie oft Filme gemeinsam geschaut werden, wurde für dich geladen.
Diese Übung ist Teil des Kurses
Recommendation Engines mit Python entwickeln
Anleitung zur Übung
- Sortiere das Objekt
combination_counts_dfnach der Spaltesizevon groß nach klein. - Ermittle die neu geordneten Filmhäufigkeiten für den Film
Thor, indem du das sortierte Objektcombination_counts_dfauf Zeilen subsettest, in denenmovie_agleichThorist, weise das Ergebnisthor_dfzu und visualisiere die Resultate.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
import matplotlib.pyplot as plt
# Sort the counts from highest to lowest
combination_counts_df.____('size', ascending=____, inplace=____)
# Find the movies most frequently watched by people who watched Thor
thor_df = ____[____['movie_a'] ____ 'Thor']
# Plot the results
thor_df.plot.bar(x="movie_b")
plt.show()