快捷導(dǎo)航

Python用戶推薦系統(tǒng)曼哈頓算法實(shí)現(xiàn)完整代碼

更新時(shí)間：2017年12月01日 11:31:27 投稿：mengwei

這篇文章主要介紹了Python用戶推薦系統(tǒng)曼哈頓算法實(shí)現(xiàn)完整代碼，簡單介紹了曼哈頓距離的定義，然后分享了其Python實(shí)現(xiàn)代碼，具有一定借鑒價(jià)值，需要的朋友可以了解下。

出租車幾何或曼哈頓距離（Manhattan Distance）是由十九世紀(jì)的赫爾曼·閔可夫斯基所創(chuàng)詞匯，是種使用在幾何度量空間的幾何學(xué)用語，用以標(biāo)明兩個(gè)點(diǎn)在標(biāo)準(zhǔn)坐標(biāo)系上的絕對軸距總和。

圖中紅線代表曼哈頓距離，綠色代表歐氏距離，也就是直線距離，而藍(lán)色和黃色代表等價(jià)的曼哈頓距離。曼哈頓距離——兩點(diǎn)在南北方向上的距離加上在東西方向上的距離，即d（i，j）=|xi-xj|+|yi-yj|。對于一個(gè)具有正南正北、正東正西方向規(guī)則布局的城鎮(zhèn)街道，從一點(diǎn)到達(dá)另一點(diǎn)的距離正是在南北方向上旅行的距離加上在東西方向上旅行的距離，因此，曼哈頓距離又稱為出租車距離。曼哈頓距離不是距離不變量，當(dāng)坐標(biāo)軸變動(dòng)時(shí)，點(diǎn)間的距離就會(huì)不同。曼哈頓距離示意圖在早期的計(jì)算機(jī)圖形學(xué)中，屏幕是由像素構(gòu)成，是整數(shù)，點(diǎn)的坐標(biāo)也一般是整數(shù)，原因是浮點(diǎn)運(yùn)算很昂貴，很慢而且有誤差，如果直接使用AB的歐氏距離(歐幾里德距離：在二維和三維空間中的歐氏距離的就是兩點(diǎn)之間的距離），則必須要進(jìn)行浮點(diǎn)運(yùn)算，如果使用AC和CB，則只要計(jì)算加減法即可，這就大大提高了運(yùn)算速度，而且不管累計(jì)運(yùn)算多少次，都不會(huì)有誤差。

Python用戶推薦系統(tǒng)曼哈頓算法實(shí)現(xiàn)

#-*- coding: utf-8 -*-
 
import codecs
from math import sqrt
 
users = {"Angelica": {"Blues Traveler": 3.5, "Broken Bells": 2.0, "Norah Jones": 4.5, "Phoenix": 5.0, "Slightly Stoopid": 1.5, "The Strokes": 2.5, "Vampire Weekend": 2.0},
     "Bill":{"Blues Traveler": 2.0, "Broken Bells": 3.5, "Deadmau5": 4.0, "Phoenix": 2.0, "Slightly Stoopid": 3.5, "Vampire Weekend": 3.0},
     "Chan": {"Blues Traveler": 5.0, "Broken Bells": 1.0, "Deadmau5": 1.0, "Norah Jones": 3.0, "Phoenix": 5, "Slightly Stoopid": 1.0},
     "Dan": {"Blues Traveler": 3.0, "Broken Bells": 4.0, "Deadmau5": 4.5, "Phoenix": 3.0, "Slightly Stoopid": 4.5, "The Strokes": 4.0, "Vampire Weekend": 2.0},
     "Hailey": {"Broken Bells": 4.0, "Deadmau5": 1.0, "Norah Jones": 4.0, "The Strokes": 4.0, "Vampire Weekend": 1.0},
     "Jordyn": {"Broken Bells": 4.5, "Deadmau5": 4.0, "Norah Jones": 5.0, "Phoenix": 5.0, "Slightly Stoopid": 4.5, "The Strokes": 4.0, "Vampire Weekend": 4.0},
     "Sam": {"Blues Traveler": 5.0, "Broken Bells": 2.0, "Norah Jones": 3.0, "Phoenix": 5.0, "Slightly Stoopid": 4.0, "The Strokes": 5.0},
     "Veronica": {"Blues Traveler": 3.0, "Norah Jones": 5.0, "Phoenix": 4.0, "Slightly Stoopid": 2.5, "The Strokes": 3.0}
    }
 
# Python計(jì)算曼哈頓距離 www.iplaypy.com
def manhattan(rate1,rate2):
  distance = 0
  commonRating = False
  for key in rate1:
    if key in rate2:
      distance+=abs(rate1[key]-rate2[key])
      commonRating=True
  if commonRating:
    return distance
  else:
    return -1
 
# python返回最近距離用戶
def computeNearestNeighbor(username,users):
  distances = []
  for key in users:
    if key<>username:
      distance = manhattan(users[username],users[key])
      distances.append((distance,key)) 
  distances.sort()     
  return distances
 
#推薦python實(shí)現(xiàn)
def recommend(username,users):
  #獲得最近用戶的name
  nearest = computeNearestNeighbor(username,users)[0][1]
  recommendations =[]
  #得到最近用戶的推薦列表
  neighborRatings = users[nearest]
  for key in neighborRatings:
    if not key in users[username]:
      recommendations.append((key,neighborRatings[key]))
  recommendations.sort(key=lambda rat:rat[1], reverse=True)
  return recommendations
 
   
if __name__ == '__main__':
  print recommend('Hailey', users)

總結(jié)

以上就是本文關(guān)于Python用戶推薦系統(tǒng)曼哈頓算法實(shí)現(xiàn)完整代碼的全部內(nèi)容，希望對大家有所幫助。感興趣的朋友可以繼續(xù)參閱本站其他相關(guān)專題，如有不足之處，歡迎留言指出。感謝朋友們對本站的支持！

您可能感興趣的文章: