Python使用者推薦系統曼哈頓演算法實現完整代碼，python曼哈頓

Python使用者推薦系統曼哈頓演算法實現完整代碼，python曼哈頓

出租車幾何或曼哈頓距離（Manhattan Distance）是由十九世紀的赫爾曼·閔可夫斯基所創詞彙 ，是種使用在幾何度量空間的幾何學用語，用以標明兩個點在標準座標繫上的絕對軸距總和。

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，而藍色和黃色代表等價的曼哈頓距離。曼哈頓距離——兩點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|。對於一個具有正南正北、正東正西方向規則布局的城鎮街道，從一點到達另一點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數，當座標軸變動時，點間的距離就會不同。曼哈頓距離在早期的電腦圖形學中，螢幕是由像素構成，是整數，點的座標也一般是整數，原因是浮點運算很昂貴，很慢而且有誤差，如果直接使用AB的歐氏距離(歐幾裡德距離：在二維和三維空間中的歐氏距離的就是兩點之間的距離），則必須要進行浮點運算，如果使用AC和CB，則只要計算加減法即可，這就大大提高了運算速度，而且不管累計運算多少次，都不會有誤差。

Python使用者推薦系統曼哈頓演算法實現

#-*- coding: utf-8 -*- import codecsfrom 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計算曼哈頓距離 www.iplaypy.comdef 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返回最近距離使用者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實現def recommend(username,users):  #獲得最近使用者的name  nearest = computeNearestNeighbor(username,users)[0][1]  recommendations =[]  #得到最近使用者的推薦列表  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

以上就是本文關於Python使用者推薦系統曼哈頓演算法實現完整代碼的全部內容，希望對大家有所協助。感興趣的朋友可以繼續參閱本站其他相關專題，如有不足之處，歡迎留言指出。感謝朋友們對本站的支援！