如何将Pandas DataFrame转换为频次/布尔矩阵用于协同过滤？

嘿，刚接触Python几天就上手协同过滤项目，挺棒的！别慌，把你手里的DataFrame转换成目标频次矩阵其实用Pandas的几个简单工具就能搞定，我给你一步步拆解：

1. 先确认你的原始数据结构 #

假设你已经把CSV文件读成了一个名为df的DataFrame，结构大概是这样：

import pandas as pd

# 模拟你的原始数据
df = pd.DataFrame({
    'AlbumId': ['A1', 'A1', 'A2', 'A2', 'A2', 'A3', 'A3', 'A4', 'A4'],
    'ArtistId': ['R1', 'R2', 'R2', 'R4', 'R3', 'R3', 'R2', 'R4', 'R1']
})

2. 方法一：用pivot_table生成频次矩阵 #

这是最灵活的方法，适合需要自定义聚合逻辑的场景（这里我们只需要统计每个专辑-艺人组合的出现次数）：

# 生成频次矩阵，缺失值用0填充
frequency_matrix = df.pivot_table(
    index='AlbumId',    # 行：专辑ID
    columns='ArtistId', # 列：艺人ID
    aggfunc='size',     # 统计每个组合的数量
    fill_value=0        # 没有关联的组合填0
)

print(frequency_matrix)

运行后你会得到完全符合预期的结果：

ArtistId  R1  R2  R3  R4
AlbumId                 
A1        1   1   0   0
A2        0   1   1   1
A3        0   1   1   0
A4        1   0   0   1

3. 方法二：用pd.crosstab快速生成交叉表 #

如果只是单纯统计频次，crosstab更直接，它专门用来做这类行列交叉的统计：

frequency_matrix = pd.crosstab(
    df['AlbumId'], 
    df['ArtistId'], 
    dropna=False  # 确保所有艺人ID都被保留，缺失项填0
)

这个方法的输出和上面完全一致，代码更简洁。

4. 转成布尔矩阵（可选） #

如果你需要的是布尔值（True/False）而不是数值1/0，只需要对结果做个类型转换：

boolean_matrix = frequency_matrix.astype(bool)

5. 后续余弦相似度计算 #

拿到这个矩阵后，就可以用sklearn计算专辑之间的余弦相似度了：

from sklearn.metrics.pairwise import cosine_similarity

# 计算专辑间的余弦相似度
album_similarity = cosine_similarity(frequency_matrix)

# 转换成DataFrame，方便查看相似度结果
similarity_df = pd.DataFrame(
    album_similarity,
    index=frequency_matrix.index,
    columns=frequency_matrix.index
)

print(similarity_df)

要是还有啥细节没搞懂，尽管问，刚学Python的时候遇到这类数据转换问题很正常，慢慢来就好～

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