推荐系统数据集之MovieLens

简介

MovieLens其实是一个推荐系统和虚拟社区网站,它由美国 Minnesota 大学计算机科学与工程学院的GroupLens项目组创办,是一个非商业性质的、以研究为目的的实验性站点。GroupLens研究组根据MovieLens网站提供的数据制作了MovieLens数据集合,这个数据集合里面包含了多个电影评分数据集,分别具有不同的用途。本文均用MovieLens数据集来代替整个集合。MoveieLens数据集可以说是推荐系统领域最为经典的数据集之一,其地位类似计算机视觉领域里的MNIST数据集。

MovieLens

MoveLens是一个数据集合,其中根据创建时间、数据集大小等分为了若干个子数据集。每个数据集的格式、大小、用途均有所差异。本文以MovieLens 1M Dataset为例,具体介绍下此数据集,其它MovieLens数据集也大都类似,本文使用的数据集下载链接为ml-1m.zip。

MoveLens 1M 数据集包含了来自6040位在2000年加入MovieLens的用户,对大约3900部电影的1000209条匿名评价。

数据集概览

ml-1m.zip文件解压之后,可以得到4个文件,分别是:

  • movies.dat
  • ratings.dat
  • user.dat
  • README

README是一个Markdown格式文件,里面包含了记录了此数据集的基本信息,在此不赘述。我们主要关注一下前三个文件的内容和格式。

1、RATINGS 文件描述

打开ratings.dat文件,可以看到以下内容:


其文件格式为:
UserID::MovieID::Rating::Timestamp

  • UserID范围是1~6040,代表了6040个MovieLens用户
  • MovieID范围是1到3952,代表了3952部电影
  • Rating范围是1到5,代表了用户对电影的评级,最高5颗星,不允许半颗星存在
  • Timestamp是以秒为单位的时间戳

注意: 每个用户至少会对20部电影进行评级。

2、USER 文件描述

打开users.dat文件,可以看到以下内容:

其文件格式为:
UserID::Gender::Age::Occupation::Zip-code

  • UserID范围是1~6040,代表了6040个MovieLens用户
  • Gender 'M'代表男性,'F'代表女性
  • Age 年龄的范围如下
    • 1: 18岁以下
    • 18: 18~24岁
    • 25: 25~34岁
    • 35: 35~44岁
    • 45: 45~49岁
    • 50: 50~55岁
    • 56: 56岁以上
  • Occupation 的范围如下
    • 0:其他或者未指定
    • 1: 学者/教育行业
    • 2:艺术家
    • 3: 办事员/行政人员
    • 4: 大学生/研究生
    • 5:服务业
    • 6:医疗医护业
    • 7:执行官/管理者
    • 8:农民
    • 9:家庭主妇
    • 10:中小学生
    • 11:律师
    • 12:程序员
    • 13:退休人员
    • 14:销售人员/市场人员
    • 15:科学家
    • 16:自主创业
    • 17:技术人员/工程师
    • 18:商人/手工工作者
    • 19:失业
    • 20:作家
  • Zip-dode 邮政编码

3、MOVIES 文件描述

打开movies.dat,可以看到以下内容:

其文件格式为:
MovieID::Title::Genres

  • MovieID 范围是1到3952,代表了3952部电影
  • Title 是电影名称,由IMDB提供,包括了发行年份
  • Genres 电影题材由竖线分开,从以下类别中选取
    • Action
    • Adventure
    • Animation
    • Children's
    • Comedy
    • Crime
    • Documentary
    • Drama
    • Fantasy
    • Film-Noir
    • Horror
    • Musical
    • Mystery
    • Romance
    • Sci-Fi
    • Thriller
    • War
    • Western

数据处理

我们使用pandas库来读取和处理数据。

1、读取数据并显示

import pandas as pd
rnames = ["UserID", "MovieID", "Rating", "TimeStamp"]
ratings = pd.read_table("./ml-1m/ratings.dat", sep="::", header=None, names=rnames, engine='python')
print(ratings[:5])

unames = ["UserID", "Gender", "Age", "Occupation", "Zip-code"]
users = pd.read_table("./ml-1m/users.dat", sep="::", header=None, names=unames, engine='python')
print(users[:5])

mnames = ["MovieID", "Title", "Genres"]
movies = pd.read_table("./ml-1m/movies.dat", sep="::", header=None, names=mnames, engine='python')
print(movies[:5])

上述代码只显示了前五行数据,结果如下:

2、数据合并

根据UserID字段,合并ratings和users集合,代码如下:

data1 = pd.merge(ratings, users, on='UserID')
print(data1[:5])

结果如下:

可以看到这两个数据集根据UserID这一字段进行了合并,形成的新数据集包含了8列。
根据MovieID合并ratings和movies数据集,代码如下:

data2 = pd.merge(ratings, movies, on='MovieID')
print(data2[:5])

结果如下:

3、分组之后选择某一列进行运算

# 将data2以 ’MovieID‘,’Title‘两列进行分组,并计算Rating出现的次数
data3 = data2.groupby(['MovieID', 'Title'], as_index=False)['Rating'].count()
# 将Rating改名为Rating_Count
rating_count_by_movie.columns=['MovieID','Title','Rating_Count']
# 以Rating_Count字段进行降序排序
rating_count_by_movie.sort_values(by=['Rating_Count'],ascending=False,inplace=True)
print(data3[:5])

结果如下:

可以看到,我们只取了合并后的数组的'MovieID'、'Title'两列的元素,并且统计了有多少用户对电影进行了评分,接着按照评分人数进行了降序排序。

4、分组运算方法agg

# 将data2以 ’MovieID‘,’Title‘两列进行分组,并且对Rating这一列的数据计算均值和标准差
rating_stddev = data2.groupby(['MovieID','Title']).agg({'Rating':['mean','std']})
rating_stddev.head(5)

结果如下:

此操作可以计算用户对电影的评分的均值和标准差,然后降序排序,可以在一定程度上反应最受用户喜爱的电影。

5、筛选出指定的列

ratings.dat数据集里面包含了4列,其中最后一列通常不是我们所需要的,可以通过以下代码进行筛选:

ratings_1 = ratings[['UserID','MovieID','Rating']]
print(ratings_1[:5])

结果如下:

6、遍历

对于上述数据,我们可以采用如下方法来逐行遍历:

for idx, row in ratings_1.iterrows():
    userid = int(row['UserID'])
    movieid = int(row['MovieID'])
    rating = int(row['Rating'])
    print(userid, movieid, rating)
    break

上述实例代码只遍历了一行就跳出,结果如下:

其他的操作可以参考pandas官方文档。

参考

  • https://pandas.pydata.org/docs/reference/index.html#api
  • https://www.jianshu.com/p/58b1087f12b3

你可能感兴趣的:(推荐系统数据集之MovieLens)