movielens数据集介绍及使用python简单处理 | 您所在的位置:网站首页 › film与movies的区别 › movielens数据集介绍及使用python简单处理 |
0 前言
个性化推荐中,电影推荐研究时常使用movielens上的数据集。该网站的数据集主要分两部分, 一是用于推进最新研究进展的数据集。当前最新的是发布于2019年12月份的25M数据集。 二是用于高校、组织科研的数据集。该类数据集按其是否带有标签、时间先后、数据集大小分成6种数据集。 想当时(17年)那会学术论文常见的都是使用1M数据集(2003年发布的)以及10M数据集(2009年发布的),如果是做带标签标记的电影推荐一般是tag-genome数据集(2014年发布的)。数据集中的命名ml为movielens缩写。 1 数据集解读-举例每个数据集除了大致介绍外,其对应位置还有有一个readme文件,是该数据集的详细介绍。 1M数据集有rating.dat、movies.dat、users.data三份数据集。ratings是6040位用户对3900部电影的评分数据(共计1,000,209)。 rating.dat文件存放的是用户对电影的评分信息,改文件中每条记录形式:UserID::MovieID::Rating::Timestamp,即用户id、电影id、该用户对此电影的评分值、时间戳。 - 用户id:从1到6040- 电影id: 从1到3952- rating: 从1-5的整数readme文档中介绍该文件中的每个用户至少都有20个评分(即每个用户至少对20部不同电影进行了打分)。但当时,我做的分析,好像并不像官方文档说的这样,并且,数据都有缺失部分。 1.1.2 users.dat文件users.dat文件存放的是用户的相关信息,包括性别、年龄、职业,该文件中每条记录形式:UserID::Gender::Age::Occupation::Zip-code。 - 性别(gender)的值为M和F。- 年龄(age)分成7组movies.dat文件存放的是电影的相关信息,该文件中每条记录形式:MovieID::Title::Genres。 - title是电影“标题”,包括电影名称及发布日期- genres是电影类型:包括动作喜剧等18种电影类型100k数据集有点不同,其用户属性是单独一个文件。另外还有u1到u5五份数据(五折交叉验证,已经给分好了)。 该数据集包括了943位用户对1682部电影的评分信息(总共100,000),评分也是1-5的整数 - win10 + python3.8 - jupyter版 - pycharm版 2.1 100k数据集 2.1.1 粗略查看数据信息
- jupyter版 - pycharm版 3.2 2.1的pycharm版 # !/usr/bin/env python # -*- coding: utf-8 -*- # __author__ = 'QiuZiXian' http://blog.csdn.net/qqzhuimengren/ [email protected] # @time :2020/9/14 0:07 # @abstract : import pandas as pd # 粗略查看数据信息 u_data = pd.read_csv('D:/d/python/ml-100k/u.data') u_genre = pd.read_csv('D:/d/python/ml-100k/u.genre') u_info = pd.read_csv('D:/d/python/ml-100k/u.info') #u_item = pd.read_csv('D:/d/python/ml-100k/u.item') u_occupation = pd.read_csv('D:/d/python/ml-100k/u.occupation') u_user = pd.read_csv('D:/d/python/ml-100k/u.user') print(u_data.head()) print(u_user.head()) # 去掉occupation为none的记录 nones = u_user[u_user['occupation'] == 'none'] u_user = u_user.drop(nones.index) # gender中的m、f映射成0、 1 u_user['gender'] = u_user['gender'].map({'M':1, 'F':0}) print(u_user.head()) # 对age进行分段,映射成7组 def age_map(age): if age >= 1 and age = 8 and age =17 and age = 30 and age = 40 and age = 50 and age = 60: return 7 u_user['age'] = u_user['age'].apply(lambda age : age_map(age)) print(u_user.head()) # occupation字段数值化 def occupations_map(occupation): occupations_dict = {'technician': 1, 'other': 0, 'writer': 2, 'executive': 3, 'administrator': 4, 'student': 5, 'lawyer': 6, 'educator': 7, 'scientist': 8, 'entertainment': 9, 'programmer': 10, 'librarian': 11, 'homemaker': 12, 'artist': 13, 'engineer': 14, 'marketing': 15, 'none': 16, 'healthcare': 17, 'retired': 18, 'salesman': 19, 'doctor': 20} return occupations_dict[occupation] u_user['occupation'] = u_user['occupation'].apply(lambda occupation : occupations_map(occupation)) print(u_user.head()) # zip_code提取前3位 u_user['zip_code'] = u_user['zip_code'].apply(lambda zip_code : str(zip_code)[:3]) # 处理好的数据保存,留待后续直接使用 u_user.to_csv('D:/d/python/u_result.csv')
|
CopyRight 2018-2019 实验室设备网 版权所有 |