Ваші перші рекомендації фільмів
Тепер, коли ви знайшли найпоширеніші пари фільмів, можна зробити перші рекомендації!
Хоч ви й не враховуєте інформацію про глядача та навіть не знаєте деталей про сам фільм, корисні поради все одно можна дати, проаналізувавши, які групи фільмів дивляться одні й ті самі люди.
У цій вправі ви переглянете фільми, які часто дивилися ті самі користувачі, що дивилися Thor, а потім використаєте ці дані, щоб порадити щось людині, яка щойно переглянула цей фільм.
Дані датафрейму combination_counts_df, створеного у попередньому уроці, який містить підрахунки того, як часто фільми переглядають разом, уже завантажено для вас.
Ця вправа є частиною курсу
Створення систем рекомендацій у Python
Інструкції до вправи
- Відсортуйте об'єкт
combination_counts_dfвід найбільшого до найменшого за стовпцемsize. - Знайдіть оновлені частоти переглядів для фільму
Thor, вибравши з відсортованого об'єктаcombination_counts_dfрядки, деmovie_aдорівнюєThor, запишіть їх уthor_dfі побудуйте графік результатів.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
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()