#?-*-?coding=utf-8?-*-
import?math
import?sys
from?texttable?import?Texttable
from?collections?import?defaultdict
#from?Wtemp?import?*
from?operator?import?itemgetter

#讀取文件
def?readFile（fileData）:
????data=[]
????rates=[]
????f=open（fileData“r“）
????data=f.readlines（）
????f.close（）
????for?line?in?data:
????????dataLine=line.split（“\t“）
????????rates.append（[int（dataLine[0]）int（dataLine[1]）int（dataLine[2]）]）
????return?rates

#創建字典，生成用戶評分的數據結構
#???輸入：數據集合，格式：用戶id\t硬盤id\t用戶評分
#???輸出:1.用戶字典：dic[用戶id]=[（電影id電影評分）...]
#????????2.電影字典：dic[電影id]=[用戶id1用戶id2...]
def?createDict（rates）:
????user_dict={}
????movie_dict={}
????for?i?in?rates:
????????if?i[0]?in?user_dict:
????????????user_dict[i[0]].append（（i[1]i[2]））
????????else:
????????????user_dict[i[0]]=[（i[1]i[2]）]
????????if?i[1]?in?movie_dict:
????????????movie_dict[i[1]].append（i[0]）
????????else:
????????????movie_dict[i[1]]=[i[0]]
????return?user_dictmovie_dict


#建立物品倒排表計算物品相似度
def?itemCF（user_dict）:
????N=dict（）
????C=defaultdict（defaultdict）
????W=defaultdict（defaultdict）
????for?key?in?user_dict:
????????for?i?in?user_dict[key]:
????????????if?i[0]?not?in?N.keys（）:?#i[0]表示movie_id
????????????????N[i[0]]=0
????????????N[i[0]]+=1???????????????#N[i[0]]表示評論過某電影的用戶數
????????????for?j?in?user_dict[key]:
????????????????if?i==j:
????????????????????continue
????????????????if?j?not?in?C[i[0]].keys（）:
????????????????????C[i[0]][j[0]]=0
????????????????C[i[0]][j[0]]+=1??????#C[i[0]][j[0]]表示電影兩兩之間的相似度，eg：同時評論過電影1和電影2的用戶數
????for?irelated_item?in?C.items（）:
????????for?jcij?in?related_item.items（）:
????????????W[i][j]=cij/math.sqrt（N[i]*N[j]）?
????return?W

#結合用戶喜好對物品排序
def?recommondation（user_iduser_dictK）:
????rank=defaultdict（int）
????l=list（）
????W=itemCF（user_dict）
????for?iscore?in?user_dict[user_id]:?#i為特定用戶的電影id，score為其相應評分
????????for?jwj?in?sorted（W[i].items（）key=itemgetter（1）reverse=True）[0:K]:?#sorted（）的返回值為listlist的元素為元組
????????????if?j?in?user_dict[user_id]:
????????????????continue
????????????rank[j]+=score*wj?#先找出用戶評論過的電影集合，對每一部電影id，假設其中一部電影id1找出與該電影最相似的K部電影，計算出在id1下用戶對每部電影的興趣度，接著迭代整個用戶評論過的電影集合，求加權和，再排序，可推薦出前n部電影，我這里取10部。
????l=sorted（rank.items（）key=itemgetter（1）reverse=True）[0:10]
????return?l
????????????????????????????????

#獲取電影列表
def?getMovieList（item）:
????items={}
????f=open（item“r“）
????movie_content=f.readlines（）
????f.close（）
????for?movie?in?movie_content:
????????movieLine=movie.split（“|“）
????????items[int（movieLine[0]）]=movieLine[1:]
????return?items

#主程序
if?__name__==‘__main__‘:
????itemTemp=getMovieList（“E:/SHI/learning/python/ml-100k/u.item“）?#獲取電影列表
????fileTemp=readFile（“E:/SHI/learning/python/ml-100k/u.data“）?????#讀取文件
????user_dicmovie_dic=createDict（fileTemp）????????????????????????#創建字典
????user_id=66
????movieTemp=recommondation（user_iduser_dic80）???????????????#對電影排序
????rows=[]
????table=Texttable（）??????????????????????????????????????

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----
?????目錄???????????0??2018-09-11?10:47??基于物品的協同過濾算法itemCF原理及python代碼實現\
?????文件????????4018??2017-02-21?13:37??基于物品的協同過濾算法itemCF原理及python代碼實現\itemCFbyMyself.py
?????目錄???????????0??2018-09-11?10:47??基于物品的協同過濾算法itemCF原理及python代碼實現\ml-100k\
?????文件?????????716??2000-07-20?05:09??基于物品的協同過濾算法itemCF原理及python代碼實現\ml-100k\allbut.pl
?????文件?????????643??2000-07-20?05:09??基于物品的協同過濾算法itemCF原理及python代碼實現\ml-100k\mku.sh
?????文件????????6750??2016-01-30?04:26??基于物品的協同過濾算法itemCF原理及python代碼實現\ml-100k\README
?????文件?????1979173??2000-07-20?05:09??基于物品的協同過濾算法itemCF原理及python代碼實現\ml-100k\u.data
?????文件?????????202??2000-07-20?05:09??基于物品的協同過濾算法itemCF原理及python代碼實現\ml-100k\u.genre
?????文件??????????36??2000-07-20?05:09??基于物品的協同過濾算法itemCF原理及python代碼實現\ml-100k\u.info
?????文件??????236344??2000-07-20?05:09??基于物品的協同過濾算法itemCF原理及python代碼實現\ml-100k\u.item
?????文件?????????193??2000-07-20?05:09??基于物品的協同過濾算法itemCF原理及python代碼實現\ml-100k\u.occupation
?????文件???????22628??2000-07-20?05:09??基于物品的協同過濾算法itemCF原理及python代碼實現\ml-100k\u.user
?????文件?????1586544??2001-03-09?02:33??基于物品的協同過濾算法itemCF原理及python代碼實現\ml-100k\u1.base
?????文件??????392629??2001-03-09?02:32??基于物品的協同過濾算法itemCF原理及python代碼實現\ml-100k\u1.test
?????文件?????1583948??2001-03-09?02:33??基于物品的協同過濾算法itemCF原理及python代碼實現\ml-100k\u2.base
?????文件??????395225??2001-03-09?02:33??基于物品的協同過濾算法itemCF原理及python代碼實現\ml-100k\u2.test
?????文件?????1582546??2001-03-09?02:33??基于物品的協同過濾算法itemCF原理及python代碼實現\ml-100k\u3.base
?????文件??????396627??2001-03-09?02:33??基于物品的協同過濾算法itemCF原理及python代碼實現\ml-100k\u3.test
?????文件?????1581878??2001-03-09?02:33??基于物品的協同過濾算法itemCF原理及python代碼實現\ml-100k\u4.base
?????文件??????397295??2001-03-09?02:33??基于物品的協同過濾算法itemCF原理及python代碼實現\ml-100k\u4.test
?????文件?????1581776??2001-03-09?02:34??基于物品的協同過濾算法itemCF原理及python代碼實現\ml-100k\u5.base
?????文件??????397397??2001-03-09?02:33??基于物品的協同過濾算法itemCF原理及python代碼實現\ml-100k\u5.test
?????文件?????1792501??2001-03-09?02:34??基于物品的協同過濾算法itemCF原理及python代碼實現\ml-100k\ua.base
?????文件??????186672??2001-03-09?02:34??基于物品的協同過濾算法itemCF原理及python代碼實現\ml-100k\ua.test
?????文件?????1792476??2001-03-09?02:34??基于物品的協同過濾算法itemCF原理及python代碼實現\ml-100k\ub.base
?????文件??????186697??2001-03-09?02:34??基于物品的協同過濾算法itemCF原理及python代碼實現\ml-100k\ub.test