Formuler vos premières recommandations de films
Maintenant que vous avez trouvé les films le plus souvent associés, vous pouvez formuler vos premières recommandations !
Même sans information sur la personne qui regarde, et sans connaître les détails du film, il est possible de faire des recommandations pertinentes en observant quels groupes de films sont regardés par les mêmes personnes.
Dans cet exercice, vous allez examiner les films souvent regardés par les mêmes personnes que celles qui ont regardé Thor, puis utiliser ces données pour proposer une recommandation à quelqu’un qui vient de voir ce film.
Le DataFrame que vous avez créé dans la leçon précédente, combination_counts_df, qui contient les décomptes de la fréquence à laquelle des films sont regardés ensemble, a été chargé pour vous.
Cet exercice fait partie du cours
Créer des moteurs de recommandation en Python
Instructions
- Triez l’objet
combination_counts_dfdu plus grand au plus petit selon la colonnesize. - Trouvez les nouvelles fréquences de co-visionnage pour le film
Thoren sous-ensemble l’objet ordonnécombination_counts_dfoùmovie_avautThor, assignez-les àthor_dfet tracez les résultats.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
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()