摘要： ```python ''' 基于用户的协同推荐 条目数据 ''' import pandas as pd from io import StringIO import json #数据类型一：条目（用户、商品、打分）（避免巨型稀疏矩阵） csv_txt = '''"Angelica","Blues Traveler",3.5 "Angelica","Broken Bells",2.0 "An... 阅读全文

摘要： 原书作者使用字典dict实现推荐算法，并且惊叹于18行代码实现了向量的余弦夹角公式。 我用pandas实现相同的公式只要3行。 特别说明： 本篇笔记是针对矩阵数据，下篇笔记是针对条目数据。 阅读全文

摘要： 设计推荐算法时，首先要考虑数据格式。 由于数据是关于用户对商品的评分，其具有三个要素： 用户 、 商品 、 评分 所以，数据格式有三种形式： 1. json 格式(json文本) 2. 矩阵 格式(csv文本) 横轴是商品，纵轴是用户，表内是评分 3. 条目 格式(csv文本) 每一行代表一条记录， 阅读全文

摘要： 说明：最近在读《 Data Minning Guide 》这本书。接下来的几篇是读书笔记。 本书的第一章针对下面这个问题展开： 如何预测用户对给定物品的打分？ 作者从下面几个方面作了回答： 一、基于用户协同 方法 1：用户之间的距离/相似度（ K近邻算法 ） 二、基于物品协同 方法1 ：物品之间的相 阅读全文

摘要： 总的而言，分三部分： 1. 监控器 ( ): 每秒获取系统的四个cpu的使用率，存入数据库。 2. 路由器 ( ): 响应页面的ajax，获取最新的一条或多条数据。 3. 页面 （ ): 发出ajax请求，更新echarts图表 一、监控器 使用了psutil库，对系统进行监控。 二、路由器 三、页 阅读全文

摘要： 结构： /www | | /static |....| jquery 3.1.1.js |....| echarts.js（echarts3是单文件！！） | | /templates |....| index.html | | app.py | | create_db.py 一、先准备数据 二、定 阅读全文

摘要： 结构： /www | | /static |....| jquery 3.1.1.js |....| echarts.js（echarts3是单文件！！） | | /templates |....| index.html | | app.py | | create_db.py 一、先准备数据 二、异 阅读全文

摘要： 结构： /www | | /static | | | | echarts.js（当然还有echarts原dist目录下的文件(夹)） | | /templates | | | | index.html | | app.py | | create_db.py 一、先准备数据 二、定义路由 定义了两个路 阅读全文

摘要： ```python class Graph(object): def __init__(self, args, kwargs): self.node_neighbors = {} self.visited = {} def add_nodes(self,nodelist): for node in 阅读全文

摘要： ```python class Node(object): def __init__(self, data=None, left=None, right=None): self.data = data self.left = left self.right = right class BTree(object): def __in... 阅读全文