将余弦相似度数组导出为带有标签的矩阵

Question

短版：我有一个数组，需要创建一个矩阵，但顶部和侧面都有名称标签，并像示例 csv 一样导出。 （如果措辞不正确，请见谅）

加长版： 我自学了一个推荐系统，并在这里进行了一年的隔离学习和故障排除后准备好了一个网站，因此通常需要几天的搜索才能弄清楚，但这让我现在停留了大约 3 周。

推荐系统系统在 python 中工作，我可以输入一个名称，它会吐出推荐的名称，我对其进行了调整并得到了可接受的结果。但是在书籍、网站和教程以及 udemy 课程等中。永远不要学习如何使用 python 并创建一个 Django 站点以使其工作。

目前的输出是这样的

# creating a Series for the name of the character so they are associated to an ordered numerical
# list I will use later to match the indexes
indices = pd.Series(df.index)
indices[:5]

# instantiating and generating the count matrix

count = CountVectorizer()

count_matrix = count.fit_transform(df['bag_of_words'])

​

# creating a Series for the name of the character so they are associated to an ordered numerical

# list I will use later to match the indexes

indices = pd.Series(df.index)

indices[:5]

0             ZZ Top
1         Zyan Malik
2    Zooey Deschanel
3       Ziggy Marley
4                ZHU
Name: name, dtype: object

# generating the cosine similarity matrix
cosine_sim = cosine_similarity(count_matrix, count_matrix)
cosine_sim

array([[1.        , 0.11708208, 0.10192614, ..., 0.        , 0.        ,
       0.        ],
      [0.11708208, 1.        , 0.1682581 , ..., 0.        , 0.        ,
       0.        ],
      [0.10192614, 0.1682581 , 1.        , ..., 0.        , 0.        ,
       0.        ],
      ...,
      [0.        , 0.        , 0.        , ..., 1.        , 1.        ,
       1.        ],
      [0.        , 0.        , 0.        , ..., 1.        , 1.        ,
       1.        ],
      [0.        , 0.        , 0.        , ..., 1.        , 1.        ,
       1.        ]])

# I need to then export to csv which I understand

.to_csv('artist_similarities.csv')

所需的出口

我正在尝试将具有索引名称的数组放在我认为称为矩阵的这个示例中。

              scores             ZZ Top             Zyan Malik             Zooey Deschanel            ZHU
0             ZZ Top             0            65.61249881            24.04163056             24.06241883
1         Zyan Malik             65.61249881             0            89.35882721                69.6634768
2    Zooey Deschanel             24.04163056             89.40917179             0             20.09975124
3                ZHU             7.874007874             69.6634768             20.09975124             0

# function that takes in the character name as input and returns the top 10 recommended characters
def recommendations(name, cosine_sim = cosine_sim):
    
    recommended_names = []
    
    # getting the index of the movie that matches the title
    idx = indices[indices == name].index[0]

    # creating a Series with the similarity scores in descending order
    score_series = pd.Series(cosine_sim[idx]).sort_values(ascending = False)

    # getting the indexes of the 10 most characters
    top_10_indexes = list(score_series.iloc[1:11].index)
    
    # populating the list with the names of the best 10 matching characters
    for i in top_10_indexes:
        recommended_names.append(list(df.index)[i])
        
    return recommended_names

# working results which for dataset are pretty good 

recommendations('Blues Traveler')

['G-Love & The Special Sauce',
 'Phish',
 'Spin Doctors',
 'Grace Potter and the Nocturnals',
 'Jason Mraz',
 'Pearl Jam',
 'Dave Matthews Band',
 'Lukas Nelson & Promise of the Real ',
 'Vonda Shepard',
 'Goo Goo Dolls']

Answer 1

我不确定我是否理解你在问什么，我无法发表评论，所以我不得不在这里写。我假设您想将列和索引字段添加到 cosine_sim 数组。你可以这样做：

cos_sim_df = pd.DataFrame(cosine_sim, index=indices, columns=indices)
cos_sim_df.to_csv("artist_similarities.csv")

然后像读取csv一样

cos_sim_df = pd.read_csv("artist_similarities.csv", header=0, index_col=0)

为了确保 pandas 知道第一行和第一列是字段名称。另外我假设您的列和行索引是相同的，如果需要，您可以更改它们。另一件事，这将与所需的导出不完全相同，因为在该 csv 中有一个包含艺术家姓名的“分数”字段，尽管看起来艺术家应该是字段名称。如果您希望导出的 csv 看起来与所需的导出完全一样，您可以在“分数”字段中添加艺术家，如下所示：

cos_sim_df = pd.DataFrame(cosine_sim, columns=indices)
cos_sim_df["score"] = indices
# make the score field the first field
cos_sim_df = cos_sim_df[["score", *idx]]

最后我想指出，索引数据帧是行主要的，并且您似乎将字段可视化为列索引，对于这种特定情况，因为您的数组在对角线上有一条对称线，哪一个都没有关系轴被索引是因为 cos_sim_df["Zayn Malik"] 无论如何都会返回相同的值，但如果您的数组不对称，请记住这一点。