一、简介
此项目来自kaggle：https://www.kaggle.com/c/event-recommendation-engine-challenge/
数据集的下载需要账号，并且需要手机验证（之前如果kaggle账号已经验证过，就不需要验证了），验证的时候手机号前面需要加上860：
这里我已经将数据下载，并上传到百度云盘，链接：https://pan.baidu.com/s/1KDZN313XkbhkRDZX4dLYNA 提取码：ino3
背景介绍
根据user actions, event metadata, and demographic information（社交信息）预测用户对哪个event感兴趣
桌面新建文件夹：推荐比赛->进入推荐比赛文件夹->shift + 右键->在此处新建命令窗口->jupyter notebook->新建recommend脚本，将上面下载的数据解压到推荐比赛文件夹
1）第一步：统计user和event相关信息
我们先看看train.csv：
import pandas as pd
df_train = pd.read_csv('train.csv')
df_train.head()
结果如下：前两列是用户ID和对应的event ID
而test.csv中用户缺少了标签：
让我们来看看第一步的完整代码：
from collections import defaultdict
import scipy.sparse as ss
import scipy.io as sio
import itertools
#import cPickle
#From python3, cPickle has beed replaced by _pickle
import _pickle as cPickle
class ProgramEntities:
"""
我们只关心train和test中出现的user和event，因此重点处理这部分关联数据，
经过统计：train和test中总共3391个users和13418个events
"""
def __init__(self):
#统计训练集中有多少独立的用户的events
uniqueUsers = set()#uniqueUsers保存总共多少个用户：3391个
uniqueEvents = set()#uniqueEvents保存总共多少个events：13418个
eventsForUser = defaultdict(set)#字典eventsForUser保存了每个user:所对应的event
usersForEvent = defaultdict(set)#字典usersForEvent保存了每个event：哪些user点击
for filename in ['train.csv', 'test.csv']:
f = open(filename)
f.readline()#跳过第一行
for line in f:
cols = line.strip().split(',')
uniqueUsers.add( cols[0] )
uniqueEvents.add( cols[1] )
eventsForUser[cols[0]].add( cols[1] )
usersForEvent[cols[1]].add( cols[0] )
f.close()
self.userEventScores = ss.dok_matrix( ( len(uniqueUsers), len(uniqueEvents) ) )
self.userIndex = dict()
self.eventIndex = dict()
for i, u in enumerate(uniqueUsers):
self.userIndex[u] = i
for i, e in enumerate(uniqueEvents):
self.eventIndex[e] = i
ftrain = open('train.csv')
ftrain.readline()
for line in ftrain:
cols = line.strip().split(',')
i = self.userIndex[ cols[0] ]
j = self.eventIndex[ cols[1] ]
self.userEventScores[i, j] = int( cols[4] ) - int( cols[5] )
ftrain.close()
sio.mmwrite('PE_userEventScores', self.userEventScores)
#为了防止不必要的计算，我们找出来所有关联的用户或者关联的event
#所谓关联用户指的是至少在同一个event上有行为的用户user pair
#关联的event指的是至少同一个user有行为的event pair
self.uniqueUserPairs = set()
self.uniqueEventPairs = set()
for event in uniqueEvents:
users = usersForEvent[event]
if len(users) > 2:
self.uniqueUserPairs.update( itertools.combinations(users, 2) )
for user in uniqueUsers:
events = eventsForUser[user]
if len(events) > 2:
self.uniqueEventPairs.update( itertools.combinations(events, 2) )
#rint(self.userIndex)
cPickle.dump( self.userIndex, open('PE_userIndex.pkl', 'wb'))
cPickle.dump( self.eventIndex, open('PE_eventIndex.pkl', 'wb') )
print('第1步：统计user和event相关信息...')
pe = ProgramEntities()
print('第1步完成...
')
其中PE_userEventScores.mtx是所有users和events的矩阵，但是里面的值只有train.csv的值，值是1或者-1
scipy.sparse.dok_matrix()函数是产生一个稀疏矩阵，这样PE_userEventScores.mtx只保存了非0值
针对该步使用的变量作简单介绍：
uniqueUsers：集合，保存train.csv和test.csv中的所有user ID
uniqueEvents：集合，保存train.csv和test.csv中的所有event ID
eventsForUser：字典，key为每个用户，value为该用户对应的event集合
usersForEvent：字典，key为每个event，value为该event对应的user集合
userIndex：字典，每个用户有个Index
eventIndex：字典，每个event有个Index
userEventScores：稀疏矩阵3391 * 13418，use vs event，矩阵元素为train.csv中每个user对某个event的兴趣分（1， 0 or -1）即interested - not_interested
import pandas as pd pd.DataFrame(userEventScores)
代码示例结果：
userEventScores：每个user对每个event的兴趣分（1， 0 or -1）
uniqueUserPairs：集合，如果对于同一个event来说，关联上3个及3个以上users，则该event关联上的users进行两两配对，保存在uniqueUserPairs中，注意保存的是userId，而不是user对应的索引：
import pandas as pd
df_train = pd.read_csv('train.csv')
df_train[df_train['event']==1502284248]
import itertools
for each in itertools.combinations(set([3044012,1302145719,3194014105,3669515588]), 2):
print(each)
代码结果示例：
uniqueEventPairs：集合，对于同一个用户，如果其关联的events大于等于3，则这些关联的events保存在uniqueEventPairs中，注意保存的是event id，而不是event对应的索引：
import pandas as pd
df_train = pd.read_csv('train.csv')
df_train[df_train['user']==3044012]
import itertools
for each in itertools.combinations(set([1918771225,1502284248,2529072432, 3072478280, 1390707377, 1532377761 ]), 2):
print(each)
代码结果示例：
cPickle模块（python3为pickle或者_pickle模块）：请参考pickle详解
至此，第一步完成，哪里有不明白的请留言