基于k近邻的User_CF协同过滤推荐算法

     下面就是基于k近邻的User_CF协同过滤推荐算法的完整代码，通过该代码，我们求出了每个用户的最相近的k个邻居，然后将这k个邻居观看的电影列表依次和该用户的电影列表做并集，就得到了该用户的推荐列表。代码有很多个函数块组成，下面依次对每个函数块展开解释：

readDatas（）：

读取数据，只取出前两列（用户id和电影id）将user_dict映射成一个字典，字典中的关键词即用户id，字典列表即为电影列表

getTrainsetAndTestset(dct):

得到训练数据和测试数据，在取出测试数据的时候，我们采取随机的方式，取出随机的20%的数据作为测试集，其余即为训练集，数学公式math.ceil需要注意啦

knn(trainset,k):

计算k近邻，就是便利训练集中的所有用户，然后将所有用户两两计算预先相速度，再按照他们的相似度降序排序，取出最大的k个，并且将每个用户u1的k近邻存在user_sims[u1]里面

get_recommendations(user_sims,o_set):

得到推荐列表，将k个邻居观看的电影列表依次和该用户的电影列表做并集，就得到了该用户的推荐列表

precisionAndRecall(pre,test):

计算准确度和召回率，预测的电影和真实的电影取个交集，然后计算准确度和召回率

   

# 开发时间：2021/11/25 9:55
import  pandas as pd
import random
import math
from tqdm import tqdm
def readDatas():