Upload matrixRec.py

matrixRec.py

@@ -0,0 +1,105 @@
+# -*- coding: utf-8 -*-
+!pip install datasets
+
+from sklearn.decomposition import TruncatedSVD
+from scipy.sparse.linalg import svds
+
+import matplotlib.pyplot as plt
+import seaborn as sns
+import pandas as pd
+import numpy as np
+import warnings
+warnings.filterwarnings("ignore")
+from datasets import load_dataset
+
+"""## 데이터로드 및 전처리
+
+"""
+
+# df:도서관,박물관,공원이 place_id,place_name,gu_name,type 으로된 데이터: csv 파일로 읽어오기
+df= read_csv('places.csv', index=False, encoding='utf-8')
+
+"""# 사용자 평점데이터 """
+user_rating= read_csv('user_rating_1000.csv', index=False, encoding='utf-8')
+
+"""아이템-특성 데이터 만들기"""
+# place_id, type, place_name만 추출
+item_feature = df[['place_id', 'type', 'place_name']]
+item_feature.head()
+
+"""추천시스템구현
+"""
+
+# 사용자-장소-평점 피봇만들기
+df_user_place_ratings = user_place_data.pivot_table(index='user_id', columns='place_id', values='rating')
+df_user_place_ratings.head()
+
+"""
+이후 할일
+1)pivot table을 matrix로 변환
+2)np.mean(axis = 1)을 통해 장소별 각 사용자들이 매기는 평점 평균을 구함
+1에서 구한 값과 2에서 구한 값을 빼서 사용자-평균 데이터 값을 변경
+"""
+
+# float타입을 str로 변환
+df_user_place_ratings.columns = df_user_place_ratings.columns.astype(str)
+
+# df_user_place_ratings: pivot_table 값을 numpy matrix로 만든 것
+df_user_place_ratings.columns = df_user_place_ratings.columns.str.strip() # 화이트스페이스 지우기
+matrix = df_user_place_ratings.values #as_matrix function은 depricated.
+
+# user_ratings_mean: 사용자의 평균 평점
+user_ratings_mean = np.mean(matrix, axis = 1)
+
+# # matrix_user_mean : 사용자-영화에 대해 사용자 평균 평점을 뺀 것.
+matrix_user_mean = matrix - user_ratings_mean.reshape(-1, 1)
+
+pd.DataFrame(matrix_user_mean, columns = df_user_place_ratings.columns).head()
+
+# scipy에서 제공해주는 svd.
+# U 행렬, sigma 행렬, V 전치 행렬을 반환.
+U, sigma, Vt = svds(matrix_user_mean, k = 12)
+
+# 현재 이 Sigma 행렬은 0이 아닌 값만 1차원 행렬로 표현된 상태입니다.
+# 즉, 0이 포함된 대칭행렬로 변환할 때는 numpy의 diag를 이용해야 합니다.
+
+sigma = np.diag(sigma)
+
+sigma.shape
+
+# U, Sigma, Vt의 내적을 수행하면, 다시 원본 행렬로 복원이 된다.
+# 거기에 + 사용자 평균 rating을 적용한다.
+svd_user_predicted_ratings = np.dot(np.dot(U, sigma), Vt) + user_ratings_mean.reshape(-1, 1)
+
+df_svd_preds = pd.DataFrame(svd_user_predicted_ratings, columns = df_user_place_ratings.columns)
+df_svd_preds.head()
+
+df_svd_preds.shape
+
+# 예측 결과 정렬 및 반환코드
+
+# 사용자의 예측 평점이 높은 순으로 정렬된 데이터
+# user_id가 0부터 시작하므로 user_row_number로 쓴다. 1부터시작하면 user_id-1하면됨.
+user_id = 0 # 0번회원의 평점 예측
+user_row_number = user_id
+sorted_user_predictions = df_svd_preds.iloc[user_row_number].sort_values(ascending=False)
+
+sorted_user_predictions = pd.DataFrame(sorted_user_predictions.reset_index())
+sorted_user_predictions.columns = ['place_id', 'predict_rating']
+
+sorted_user_predictions['place_id'] = sorted_user_predictions['place_id'].astype('int64')
+
+# 원본 평점 데이터에서 user id에 해당하는 데이터를 추출
+user_data = user_rating[user_rating['user_id'] == user_id]
+
+# user_data에서 평점이 0인 데이터는 아직 안 가본 것이므로 삭제
+user_data = user_data[user_data['rating'] != 0.0]
+
+# (가본 장소) 추출된 데이터와 원본 장소 데이터를 합침
+user_history = user_data.merge(item_feature, on='place_id').sort_values(['rating'], ascending=False)
+
+# 사용자가 평가하지 않은 장소를 추천 대상으로 설정
+recommendations = item_feature[~item_feature['place_id'].isin(user_history['place_id'])]
+
+
+