《集体智慧编程》chapter1 recommendation2

#一个涉及影评者及其对几部影片评分情况的字典
critics={'Lisa Rose':{'Lady in the Water':2.5,'Snakes on a plane':3.5,
                      'Just My Luck':3.0,'Superman Returns':3.5,'The Night Listener':3.0,
                      'You,Me and Dupree':2.5},
         'Gene Seymour':{'Lady in the Water':3.0,'Snakes on a plane':3.5,
                         'Just My Luck':1.5,'Superman Returns':5.0,'You,Me and Dupree':3.5,
                         'The Night Listener':3.0},
         'Michael Phillips':{'Lady in the Water':2.5,'Snakes on a plane':3.0,
                             'Superman Returns':3.5,'The Night Listener':4.0},
         'Claudis Puig':{'Snakes on a plane':3.5,'Just My Luck':3.0,
                          'The Night Listener':4.5,'Superman Returns':4.0,
                         'You,Me and Dupree':2.5},
         'Mick LaSalle':{'Lady in the Water':3.0,'Snakes on a plane':4.0,
                         'Just My Luck':2.0,'Superman Returns':3.0,'The Night Listener':3.0,
                         'You,Me and Dupree':2.0},
         'Jack Matthews':{'Lady in the Water':3.0,'Snakes on a plane':4.0,
                          'The Night Listener':3.0,'Superman Returns':5.0,'You,Me and Dupree':3.5},
         'Toby':{'Snakes on a plane':4.5,'You,Me and Dupree':1.0,'Superman Returns':4.0}}

from math import sqrt
#返回一个有关person1和person2的基于距离的相似度评价
def sim_distance(prefs,person1,person2):
    #得到shared_item列表
    si={}
    for item in prefs[person1]:
        if item in prefs[person2]:
            si[item]=1

    #如果两者没有共同之处，则返回0
    if len(si)==0:return 0
    #计算所有差值的平方和
    sum_of_squares=sum([pow(prefs[person1][item]-prefs[person2][item],2)
                        for item in prefs[person1] if item in prefs[person2]])
    return 1/(1+sqrt(sum_of_squares))

#返回p1和p2的皮尔逊相关度
def sim_pearson(prefs,p1,p2):
    #得到双方都曾评价中国的物品列表
    si={}
    for item in prefs[p1]:
        if item in prefs[p2]:si[item]=1
    #得到列表元素的个数
    n=len(si)
    #如果两者没有共同之处，则返回1
    if n==0:return 1
    #对所有偏好求和
    sum1=sum([prefs[p1][it]for it in si])
    sum2=sum([prefs[p2][it]for it in si])
    #求平方和
    sum1Sq=sum([pow(prefs[p1][it],2)for it in si])
    sum2Sq=sum([pow(prefs[p2][it],2)for it in si])
    #求乘积之和
    pSum=sum([prefs[p1][it]*prefs[p2][it]for it in si])
    #计算皮尔逊评价值
    num=pSum-(sum1*sum2/n)
    den=sqrt((sum1Sq-pow(sum1,2)/n)*(sum2Sq-pow(sum2,2)/n))
    if den==0:return 0

    return num/den

#从反映偏好的字典中返回最为匹配者
#返回结果的个数和相似度函数均为可选参数
def topMatches(prefs,person,n=5,similarity=sim_pearson):
 scores=[(similarity(prefs,person,other),other)
            for other in prefs if other!=person]

#对列表进行排序，评价值最高者排在最前面
 scores.sort()
 scores.reverse()
 return scores[0:n]

#利用所有他人评价值的加权平均，为某人提供建议
def getRecommendation2(prefs,person,similarity=sim_pearson):
    totals={}
    simsums={}
    for other in prefs:
      #不要和自己比较
      if other==person:continue
      sim=similarity(prefs,person,other)

      #忽略评价值为零或者小于零的情况
      if sim<=0:continue
      for item in prefs[other]:
          #只对自己还未曾看过的影片进行评价
          if item not in prefs[person] or prefs[person][item]==0:
              #相似度*评价值
              totals.setdefault(item,0)
              totals[item]+=prefs[other][item]*sim
              #相似度之和
              simsums.setdefault(item,0)
              simsums[item]+=sim
    #建立一个归一化的列表
    rankings=[(totals[item]/simsums[item],item)for item,total in totals.items()]
    #返回经过排序的列表
    rankings.sort()
    rankings.reverse()
    return rankings

def transformPrefs(prefs):
    result={}
    for person in prefs:
        for item in prefs[person]:
            result.setdefault(item,{})

            #将物品和人员对调
            result[item][person]=prefs[person][item]
    return result