Dina första filmrekommendationer
Nu när du har hittat de vanligaste filmkombinationerna kan du göra dina första rekommendationer!
Även utan information om vem som tittar, eller detaljer om filmen, går det att ge värdefulla rekommendationer – helt enkelt genom att undersöka vilka filmer som ofta ses av samma personer.
I den här övningen undersöker du vilka filmer som ofta ses av samma personer som tittade på Thor, och använder sedan dessa data för att ge en rekommendation till någon som nyss sett filmen.
DataFrame-objektet combination_counts_df från förra lektionen, som innehåller antalet gånger filmer ses tillsammans, har redan laddats in åt dig.
Den här övningen är en del av kursen
Bygga rekommendationsmotorer i Python
Övningsinstruktioner
- Sortera
combination_counts_dffrån störst till minst efter kolumnensize. - Hämta filmfrekvenserna för filmen
Thorur det sorteradecombination_counts_df-objektet genom att filtrera på rader därmovie_aärThor, tilldela resultatet tillthor_dfoch rita upp det.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
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()