使用df.at设置DataFrame值遇ValueError，如何修正商品推荐函数？

错误核心原因 #

1. df.at赋值类型错误：df.at[row, col]仅支持单个标量值赋值，但你直接传入了余弦相似度返回的数组（哪怕是单元素数组），触发了"equal len keys and value"的报错。
2. 特征维度不匹配：point_1是(1,2)的二维数组，point_2是(2,)的一维数组，计算余弦相似度时维度不兼容，会导致结果格式异常。
3. 遍历效率低下：循环逐行赋值dist列的写法不仅慢，还容易触发索引相关的问题。

修改后的函数示例 #

先基于你的需求还原并修正基础版本：

from sklearn.metrics.pairwise import cosine_similarity
import pandas as pd

def recommend_top5(input_name, df):
    # 获取目标商品的t-SNE特征，形状(1,2)
    target_point = df.loc[df['name'] == input_name, ['x', 'y']].values
    # 初始化dist列
    df['dist'] = 0.0
    
    for idx, row in df.iterrows():
        # 提取当前商品特征并重塑为(1,2)，和目标特征维度统一
        curr_point = row[['x', 'y']].values.reshape(1, 2)
        # 计算余弦相似度，结果为(1,1)数组
        sim_score = cosine_similarity(target_point, curr_point)
        # 提取标量值赋值给dist列，避免传入可迭代对象
        df.at[idx, 'dist'] = sim_score.item()
    
    # 按相似度降序取前5（余弦相似度越接近1越相似）
    return df.sort_values(by='dist', ascending=False).head(5)

更高效的矢量化优化版本 #

完全去掉循环，用广播机制批量计算，速度提升明显：

from sklearn.metrics.pairwise import cosine_similarity
import pandas as pd

def recommend_top5(input_name, df):
    # 获取目标商品的t-SNE特征
    target_point = df.loc[df['name'] == input_name, ['x', 'y']].values
    # 提取所有商品的特征矩阵，形状(n,2)
    all_points = df[['x', 'y']].values
    # 批量计算所有相似度，结果为一维数组(n,)
    all_sims = cosine_similarity(target_point, all_points)[0]
    # 直接赋值dist列，无需循环
    df['dist'] = all_sims
    # 返回相似度最高的5款商品
    return df.sort_values(by='dist', ascending=False).head(5)

关键修改点 #

• 统一特征维度：把point_2从(2,)重塑为(1,2)，确保和point_1维度一致，让余弦相似度计算返回格式稳定。
• 提取标量赋值：用sim_score.item()或sim_score[0][0]从相似度数组中取出单个数值，再传给df.at。
• 矢量化替代循环：利用sklearn的批量计算能力，避免逐行遍历，既解决报错又提升效率。

内容的提问来源于stack exchange，提问作者itsanhtuanho