Rekommendationer med TF-IDF
I förra övningen beräknade du likhetsvärden mellan alla filmer i datamängden i förväg, baserat på deras handlingar transformerade med TF-IDF. Nu ska du placera dessa likhetsvärden i en DataFrame för enklare hantering och sedan använda den nya DataFrame:n för att ta fram en filmrekommendation.
cosine_similarity_array innehåller en matris med likhetsvärdena mellan alla filmer som du skapade i förra övningen och har laddats åt dig. DataFrame:n tfidf_summary_df, som innehåller filmerna och deras TF-IDF-särdrag, är också tillgänglig.
Den här övningen är en del av kursen
Bygga rekommendationsmotorer i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Wrap the preloaded array in a DataFrame
cosine_similarity_df = pd.____(____, index=tfidf_summary_df.index, columns=tfidf_summary_df.index)
# Find the values for the movie Rio
cosine_similarity_series = ____.____['Rio']
# Sort these values highest to lowest
ordered_similarities = cosine_similarity_series.____(____)
# Print the results
print(____)