自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(3)
  • 收藏
  • 关注

原创 对上海地区律师及其事务所的数据可视化

这段代码是一个基于Python和多个数据可视化库,包括Pyecharts、Matplotlib和Pandas,设计的数据处理与分析项目。该项目专注于对上海地区律师和律师事务所的信息进行深入分析,并通过多种视图形式展示这些数据。下面是该项目的详细介绍:项目目标:目标是对上海地区律师及其事务所的数据集进行清洗、处理和分析,以提供对这些数据的深入洞察。分析的主要内容包括律师的年龄分布、性别比例、教育背景、专业领域等,以及律师事务所的区域分布和类型分析。没有数据可以私聊我!!!

2024-04-15 17:43:10 136 1

原创 基于flask的协同过滤图书推荐系统(补)

Current_X_parameters为用户内容矩阵,Current_Theta_parameters用户喜好矩阵。#rating_mean-书籍平均分 rating_norm-标准化后的书籍得分。# 在上述代码的基础上,我们假设已经有了一部分数据作为测试集(X_test, y_test)print('为该用户推荐的评分最高的20部书籍是:'.center(80,'='))#获取书籍的数量m和用户的数量n。#遍历矩阵,将书籍的评分填入表中。# 把训练的结果保存下来。# 下面的代码继续上面的部分。

2024-04-15 14:14:50 390 2

原创 协同过滤算法模块

首先,我们前面求出了A与B,C的相似度。用户C=[‘书7’,‘书8’,‘书9’]=['21','2','6'] ID代表书籍的编号。用户A=[‘书1’,‘书2’,‘书3’]=['1','2','3'] ID代表书籍的编号。用户B=[‘书4’,‘书2’,‘书6’]=['4','2','6'] ID代表书籍的编号。用户A=[‘书1’,‘书2’,‘书3’]=['1','2','3'] ID代表书籍的编号。用户B=[‘书4’,‘书2’,‘书6’]=['4','2','6'] ID代表书籍的编号。

2024-04-15 14:04:24 354 1

上海地区律师和事务所的数据

上海地区律师和事务所的数据

2024-04-15

基于flask的协同过滤图书系统

基于Flask的协同过滤图书推荐系统是一个利用用户之间的相似性来推荐图书的应用。这种系统的核心是协同过滤技术,主要分为用户基和物品基两种方法。在用户基的方法中,系统通过计算不同用户之间的相似性(通常是基于他们的评分历史),来推荐那些与目标用户具有相似口味的其他用户喜欢的图书。物品基方法则是通过分析图书之间的相似性,推荐与用户过去喜欢的图书类似的图书。 在这个Flask应用中,首先要做的是构建一个用户界面,允许用户浏览图书、评分,并查看推荐。后端则负责处理数据存储、用户的评分输入和推荐算法的执行。Flask作为一个轻量级的Web框架,非常适合用来搭建此类应用,因为它提供了足够的灵活性和简洁性,能够快速地开发出原型和小到中型的Web应用。

2024-04-15

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除