Je eerste filmaanbevelingen maken

Nu je de meest voorkomende filmcombinaties hebt gevonden, kun je je eerste aanbevelingen doen!

Ook al neem je geen informatie mee over de kijker en weet je zelfs niets over de film zelf, je kunt toch waardevolle aanbevelingen maken door te kijken welke groepen films door dezelfde mensen worden bekeken. In deze oefening onderzoek je welke films vaak worden gekeken door dezelfde mensen die Thor hebben bekeken, en gebruik je deze gegevens om iemand die de film net heeft gezien een aanbeveling te geven. De DataFrame die je in de vorige les hebt gemaakt, combination_counts_df, met tellingen van hoe vaak films samen worden bekeken, is voor je geladen.

Deze oefening maakt deel uit van de cursus

Aanbevelingssystemen bouwen in Python

Cursus bekijken

Oefeninstructies

Sorteer het object combination_counts_df van groot naar klein op de kolom size.
Zoek de nieuw geordende filmfrequenties voor de film Thor door het geordende object combination_counts_df te subsetten waar movie_a gelijk is aan Thor, wijs dit toe aan thor_df en plot de resultaten.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

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()

Code bewerken en uitvoeren