# recommendations.py
# 一个涉及影评者及其对几部影片评分情况的字典 嵌套字典
# 用户偏好 数据集 每个用户 的 多部电影评分
# 使用字典存储数据很方便进行查询和修改
critics={'Lisa Rose': {'Lady in the Water': 2.5, 'Snakes on a Plane': 3.5,
 'Just My Luck': 3.0, 'Superman Returns': 3.5, 'You, Me and Dupree': 2.5, 
 'The Night Listener': 3.0},
'Gene Seymour': {'Lady in the Water': 3.0, 'Snakes on a Plane': 3.5, 
 'Just My Luck': 1.5, 'Superman Returns': 5.0, 'The Night Listener': 3.0, 
 'You, Me and Dupree': 3.5}, 
 ...
 }
 
# 访问 & 修改         人           电影名                评分
# prtint(critics['Lisa Rose']['Lady in the Water']) ===> 2.5

# 返回一个有关person1和person2的基于欧式距离的相似度评价
def sim_distance(prefs,person1,person2):
    # 获取共有条目列表 shared_items
    si={}
    for item in prefs[person1]:
	# 数据匹配
        if item in prefs[person2]:
            si[item]=1
    
    # if they have no ratings in common, return 0
    # 如果两者没有 共同之处，计算不了
    if len(si)==0:
	# 无共有条目
	return 0
    
    # 对共有条目的平方 计算欧氏距离(差平方) 越相近距离越短
    sum_of_squares=sum([pow(prefs[person1][item]-prefs[person2][item],2) 
                      for item in prefs[person1] if item in prefs[person2]])
    # 加1(避免除零)后取其倒数，新函数返回值介于0~1之间，返回1表示两人具有一样的偏好
    return 1/(1+sum_of_squares)
    
# 返回p1和p2之间的皮尔逊相关系数 评价指标
def sim_pearson(prefs,p1,p2):
    # Get the list of mutually rated items
    # 得到双方都 评价过的 商品列表
    si={}
    for item in prefs[p1]: 
        if item in prefs[p2]: 
	    si[item]=1
    # 得到 共有 条目数量
    n=len(si)
	
    # if they are no ratings in common, return 0
    if n==0:
	# 没有共有偏好
        return 0
	
    # 对每个用户所有共有偏好 求和
    sum1=sum([prefs[p1][it] for it in si])
    sum2=sum([prefs[p2][it] for it in si])
  
    # 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])	
     
    # 两方乘积之和
    pSum=sum([prefs[p1][it]*prefs[p2][it] for it in si])
  
    # 计算皮尔逊评价值 Calculate r (Pearson score)
    num=pSum-(sum1*sum2/n)
    den=sqrt((sum1Sq-pow(sum1,2)/n)*(sum2Sq-pow(sum2,2)/n))
    if den==0: 
	return 0

    r=num/den

    return r

# 返回 与 persor人 品味最相似的前五个人
def topMatches(prefs,person,n=5,similarity=sim_pearson):
    # person 和 除去 person本人之外的其他人 计算相似度 得分
    scores=[(similarity(prefs,person,other),other) 
                  for other in prefs if other != person]
    
    scores.sort() # 升序排列
    scores.reverse()# 逆序 大->小
    return scores[0:n] # 取前n个

# 测试
# topMatches(critics,'Toby',n=3)
# 最相似的为 Lisa Rose
# 所以应该根据  Lisa Rose 的品味(喜好，来源其撰写的影评)为Toby推荐

# 推荐物品
# 利用 与其他所有人相似度对电影评分进行加权求和后平均，为 某人person 提供建议
def getRecommendations(prefs,person,similarity=sim_pearson):
    totals={}  # 电影 相似度 加权 电影评分
    simSums={} # 相似度之和
    for other in prefs:
        #不要和自己做比较
        if other == person: 
	    continue
	# 与另一个人的 相似度得分
        sim=similarity(prefs,person,other)

        #忽略相似度为零或小于零的情况
        if sim<=0: 
	    continue
        
	# 遍历这个其他人看过的电影
        for item in prefs[other]:
            # 只对自己还未曾看过的影片item 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)
		# 使用相似度对电影评分加权后求和
                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 加权求和归一化值,电影名
    rankings=[(total/simSums[item],item) for item,total in totals.items()]   

    # 返回经过排序的列表
    rankings.sort()# 升序 小->大 
    rankings.reverse()# 逆序 大->小
    return rankings

#匹配商品
#商品与人员对换
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