❶ python機器學習中可以實現協同過濾嗎
1.背景
協同過濾（collaborative filtering）是推薦系統常用的一種方法。cf的主要思想就是找出物品相似度高的歸為一類進行推薦。cf又分為icf和ucf。icf指的是item collaborative filtering，是將商品進行分析推薦。同理ucf的u指的是user，他是找出知趣相似的人，進行推薦。通常來講icf的准確率可能會高一些，通過這次參加天貓大數據比賽，我覺得只有在數據量非常龐大的時候才適合用cf，如果數據量很小，cf的准確率會非常可憐。博主在比賽s1階段，大概只有幾萬條數據的時候，嘗試了icf，准確率不到百分之一。。。。。
2.常用方法
cf的常用方法有三種，分別是歐式距離法、皮爾遜相關系數法、餘弦相似度法。
測試矩陣,行表示三名用戶，列表示三個品牌，對品牌的喜愛度按照1~5增加。
（1）歐氏距離法
就是計算每兩個點的距離，比如Nike和Sony的相似度。數值越小，表示相似的越高。
[python] view plain print?在CODE上查看代碼片派生到我的代碼片
def OsDistance(vector1, vector2):
sqDiffVector = vector1-vector2
sqDiffVector=sqDiffVector**2
sqDistances = sqDiffVector.sum()
distance = sqDistances**0.5
return distance
（2）皮爾遜相關系數
兩個變數之間的相關系數越高，從一個變數去預測另一個變數的精確度就越高，這是因為相關系數越高，就意味著這兩個變數的共變部分越多，所以從其中一個變數的變化就可越多地獲知另一個變數的變化。如果兩個變數之間的相關系數為1或-1，那麼你完全可由變數X去獲知變數Y的值。
· 當相關系數為0時，X和Y兩變數無關系。
· 當X的值增大，Y也增大，正相關關系，相關系數在0.00與1.00之間
· 當X的值減小，Y也減小，正相關關系，相關系數在0.00與1.00之間
· 當X的值增大，Y減小，負相關關系，相關系數在-1.00與0.00之間
當X的值減小，Y增大，負相關關系，相關系數在-1.00與0.00之間
相關系數的絕對值越大，相關性越強，相關系數越接近於1和-1，相關度越強，相關系數越接近於0，相關度越弱。
clip_image003
在Python中用函數corrcoef實現，具體方法見http//infosec.pku.e.cn/~lz/doc/Numpy_Example_List.htm
（3）餘弦相似度
通過測量兩個向量內積空間的夾角的餘弦值來度量它們之間的相似性。0度角的餘弦值是1，而其他任何角度的
餘弦值都不大於1;並且其最小值是-1。從而兩個向量之間的角度的餘弦值確定兩個向量是否大致指向相同的方向。兩
個向量有相同的指向時，餘弦相似度的值為1；兩個向量夾角為90°時，餘弦相似度的值為0；兩個向量指向完全相
反的方向時，餘弦相似度的值為-1。在比較過程中，向量的規模大小不予考慮，僅僅考慮到向量的指向方向。餘弦相
似度通常用於兩個向量的夾角小於90°之內，因此餘弦相似度的值為0到1之間。
\mathbf{a}\cdot\mathbf{b}=\left\|\mathbf{a}\right\|\left\|\mathbf{b}\right\|\cos\theta
[python] view plain print?在CODE上查看代碼片派生到我的代碼片
def cosSim(inA,inB):
num = float(inA.T*inB)
denom = la.norm(inA)*la.norm(inB)
return 0.5+0.5*(num/denom)
❷ 怎麼用python實現基於用戶的協同過濾演算法
書上的程序附帶有數據集啊，而且也可以自己從網上下載數據集啊。其實也就是跑跑驗證一下，重要的還是思考自己需要應用的地方。
❸ Python中x = [[0. , 0.],[1. , 1.]]和x = [[0,0],[1,1]]有什麼區別
數據類型不一樣，一個是浮點型，一個是整數型。
❹ 基於用戶、基於項目和SVD的協同過濾Python代碼
目前主要有三種度量用戶間相似性的方法，分別是:餘弦相似性、相關相似性以及修正的餘弦相似性。①餘弦相似性(Cosine)：用戶一項目評分矩陣可以看作是n維空間上的向量，對於沒有評分的項目將評分值設為0，餘弦相似性度量方法是通過計算向量間的餘弦夾角來度量用戶間相似性的。設向量i和j分別表示用戶i和用戶j在n維空間上的評分，則用基於協同過濾的電子商務個性化推薦演算法研究戶i和用戶j之間的相似性為:②修正的餘弦相似性 (AdjustedCosine)：餘弦相似度未考慮到用戶評分尺度問題，如在評分區間[1一5]的情況下，對用戶甲來說評分3以上就是自己喜歡的，而對於用戶乙，評分4以上才是自己喜歡的。通過減去用戶對項的平均評分，修正的餘弦相似性度量方法改善了以上問題。用幾表示用戶i和用戶j共同評分過的項集合，Ii和壽分別表示用戶i和用戶j評分過的項集合，則用戶i和用戶j之間的相似性為：③相關相似性(Correlation)此方法是採用皮爾森(Pearson)相關系數來進行度量。設Iij表示用戶i和用戶j共同評分過的項目集合，則用戶i和用戶j之間相似性為:
❺ 有Python對用戶行為分析的實例嗎
行為跟蹤、分析不是所謂的竊取用戶隱私行為，跨站監控等此類手段。
用戶行為分析、用戶行為跟蹤……，一直被熱議著，相信不少公司、不少朋友，在不同的平台上都有過此類應用，就如我前面發表的文章【Web用戶行為跟蹤收集】， 主要面向WEB平台，當然谷歌分析在Web端的支持已經比較成熟了，這里不多解釋。本文藉助Google用戶行為分析，在android平台、iOS平台上，進行強大的行為分析與報表支持……，具體應用如下：
§ 示例代碼-打包
§ GA用戶分析應用說明
本次GA用戶分析與DEMO包含以下內容：
1、 有關GA的相關知識介紹
2、 本次用戶跟蹤簡要需求分析
3、 GoogleAnalyticsDemo示常式序
4、 GA報表查看
5、 使用說明
6、 其他補充
1、有關GA的相關知識介紹
（1）參考assets內相關PPT
（2）GA相關參數與配置
2、本次用戶跟蹤簡要需求分析
通過GA，我們可以做到什麼? 利用GA可以幫助改善營銷策略，提高產品質量。
根據客戶的喜好，設定不同的產品顯示方案、增加用戶粘性
本次通過GA我們可完成如下跟蹤（只收集符合產品的有價值的信息）：
一、自動跟蹤
1、地理位置（國家、地區）
2、客戶端信息（操作系統、版本、機型、品牌、運營商、屏幕解析度……）
3、程序崩潰信息、異常記錄等
4、App安裝數(需要在Google Play Store上的產品被安裝時才能統計)
5、語言
6、新用戶數、活躍用戶數
二、需要定製的跟蹤
1、按鈕點擊數、頁面打開數
2、統計操作及事件數
3、界面停留時間
4、交易行為
3、GoogleAnalyticsDemo示常式序
（1）參數配置：res/values/analytics.xml
參數說明：assets/parameters.jpg
（2）未捕捉異常的跟蹤：MyApplication.Java
（3）高級應用（自定義變數、維度、指標）
4、GA報表查看
（1）在線查看：http://www.google.com/intl/zh-CN_ALL/analytics/
主要報告信息如下：
信息中心概覽：
用戶概覽：
參與度概覽：
結果概覽：
轉化：
（2）GA賬號
（3）GA手機查看工具
assets/com.google.android.apps.giant.apk
5、使用說明
（1）APP發布時，取消配置中debug狀態
（2）配置analytics.xml參數、Screen信息
（3）根據情況決定是否採用多個Tracker
6、其他
（1）目前無法做到AOP的方式跟蹤用戶行為，即便是有，性能方面也還會是個問題
（2）通過事件源攔截的方式跟蹤也不可行，目前只可在關鍵的位置增加監控代碼，在基類生命周期中處理。
（3）在某些情況下，會有GA數據發送不出的問題，但通常情況下不會影響分析結果（限於國內的訪問限制）
7、IOS中的應用
官方已給出了簡單的DEMO,可以自行下載試用
（1）導入庫
（2）添加依賴包：eg: core...，system.data....
（3）在root中配置、初始化
（4）UI類繼承GATracker類，或自定義基類
❻ Python實現協同過濾推薦演算法，用的大一些的數據集就報錯MemoryError
python雖然易用，但是內存佔用比較多；所以如果你有C/C++/Java基礎，考慮用這些語言來實現；
CF演算法需要計算大量的相似度，如果能把中間結果存起來，或者簡化計算過程（如，你可能會重復計算一個item的均值）可以省下不少內存；（個人試過計算1w個用戶Pearson是沒問題的）
如果內存實在不夠用，那就用時間換空間，把中間計算結果分成小文件存到磁碟上，用的時候再讀取。
供參考。
❼ 如何根據ip得出地址和運營商 python
import sockethostname = socket.gethostname() ip = socket.gethostbyname(hostname)print ip這就是本機的IP地址
❽ 如和用python構建異構網路
異構網路(Heterogeneous Network）是一種類型的網路，其是由不同製造商生產的計算機，網路設備和系統組成的，大部分情況下運行在不同的協議上支持不同的功能或應用。
所謂異構是指兩個或以上的無線通信系統採用了不同的接入技術，或者是採用相同的無線接入技術但屬於不同的無線運營商。利用現有的多種無線通信系統，通過系統間融合的方式，使多系統之間取長補短是滿足未來移動通信業務需求一種有效手段，能夠綜合發揮各自的優勢。
python其實是一種開發語言，他可以開發運行在這些異構網路硬體上的軟體。爬蟲什麼的就是現成的例子。
❾ python 批量查詢ip歸屬哪個運營商
1.把要反查的ip地址寫在c:\ip.txt裡面，每個ip或者域名一行 2.python reverse_ip.py 3.用Excel打開c:\result.csv,結果就都在裡面了！
❿ python有實現協同過濾的庫嗎
本文主要內容為基於用戶偏好的相似性進行物品推薦，使用的數據集為 GroupLens Research 採集的一組從 20 世紀 90 年代末到 21 世紀初由 MovieLens 用戶提供的電影評分數據。數據中包含了約 6000 名用戶對約 4000 部電影的 100萬條評分，五分制。數據包可以從網上下載到，裡麵包含了三個數據表——users、movies、ratings。因為本文的主題是基於用戶偏好的，所以只使用 ratings 這一個文件。另兩個文件里分別包含用戶和電影的元信息。