基于流行度的推荐-餐馆推荐

推荐系统的类型有很多， 其中基于流行度的推荐最为简单，在日常生活中应用也比较多，比如某一地方餐馆的菜品等推荐。

下面我们应用UCI机器学习数据集，建立基于流行度的餐馆推荐模型。

数据集来源于UCI Restaurant consumer data

首先，我们需要导入我们需要的数据分析包

导入数据分析包

import pandas as pd
import numpy as np

探索数据

将数据读取到pandas的DataFrame中，

frame = pd.read_csv("ratings_final.csv") #数据集放在脚本的同目录
cuisine = pd.read_csv("chefmozcuisine.csv") #同上

查看两个数据的基本情况：

frame.head()

	userID	placeID	rating	food_rating	service_rating
0	U1077	135085	2	2	2
1	U1077	135038	2	2	1
2	U1077	132825	2	2	2
3	U1077	135060	1	2	2
4	U1068	135104	1	1	2

cuisine.head()

	placeID	Rcuisine
0	135110	Spanish
1	135109	Italian
2	135107	Latin_American
3	135106	Mexican
4	135105	Fast_Food

基于流行度的推荐模型

将餐馆按照placeID分组，对评价数排序。

rating_count = pd.DataFrame(frame.groupby('placeID')['rating'].count())

rating_count.sort_values('rating', ascending=False).head()

	rating
placeID
135085	36
132825	32
135032	28
135052	25
132834	25

找出评价数前五的餐馆，并且与菜品对应

most_rated_places = pd.DataFrame([135085, 132825, 135032, 135052, 132834], index=np.arange(5), columns=['placeID'])

summary = pd.merge(most_rated_places, cuisine, on='placeID')
summary

	placeID	Rcuisine
0	135085	Fast_Food
1	132825	Mexican
2	135032	Cafeteria
3	135032	Contemporary
4	135052	Bar
5	135052	Bar_Pub_Brewery
6	132834	Mexican

对于包含Rcuisine的统计

cuisine['Rcuisine'].describe()

unique         59
top       Mexican
freq          239
Name: Rcuisine, dtype: object

最后，我们找到了比较受欢迎的相应参观的对应菜品。

这就是基于流行度的菜品推荐。

感谢您的时间，有问题请联系我。