Matrisgleshet
En vanlig utmaning med verkliga betygsdata är att de flesta användare inte har betygsatt de flesta objekt, och de flesta objekt har bara betygsatts av ett litet antal användare. Det resulterar i en mycket tom eller gles DataFrame.
I den här övningen beräknar du hur gles movie_lens-betygsdatan är, genom att räkna antalet ifyllda celler och jämföra det med storleken på hela DataFrame.
DataFrame:en user_ratings_df som du har använt i tidigare övningar – med en rad per användare och en kolumn per film – har redan laddats in åt dig.
Den här övningen är en del av kursen
Bygga rekommendationsmotorer i Python
Övningsinstruktioner
- Räkna antalet icke-tomma celler i
user_ratings_dfoch lagra resultatet somsparsity_count. - Räkna det totala antalet celler i DataFrame:en
user_ratings_dfoch lagra det somfull_count. - Beräkna glesheten hos DataFrame:en genom att dividera antalet icke-tomma celler med det totala antalet celler och skriv ut resultatet.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Count the occupied cells
sparsity_count = user_ratings_df.____().____.____()
# Count all cells
full_count = user_ratings_df.____
# Find the sparsity of the DataFrame
sparsity = ____ / ____
print(sparsity)