概念理解：
推荐：在数据挖掘中，推荐包括相似推荐及系统过滤推荐。
1，相似推荐：指当用户表现出对某人或某物的兴趣是，为他推荐与之相类似的人，或者物，他的核心是，人以群分，物以类聚
2，协同过滤推荐：指利用已有用户群过去的行为和意见，预测当前用户最有可能喜欢那些东西。
screenshot.png
余弦相似度：
求两者之间的夹角，得出对应的余弦值，该值可以用来表示两个向量的相似性，夹角越小，余弦值越大，方向更吻合，则越相似。
python中sklearn计算特征之间的距离
sklearn.metrics库中的pairsise_distances。
pairsise_distances(textvector,metric='consin')
案例代码：
import pandas,bumpy,codecs,os,jieba
from sklearn.metrics import pairwise_distances
# 创建语料库
corpos=pandas.DataFrame(columns=['filepath','content'])
for root,dirs,files in os.walk('文件夹路径')：#储存文章的文件夹
for name in files:
filepath=root+'/'+name
f=codecs.open(filepath,'r','utf-8')
content=f.read()
f.close()
corpos.loc[len(corpos)+1]=[filepath,content.strip()]
#分词
filepaths=[]
segments=[]
for i in range(len(corpos)):
file=corpos.loc[i].filepath
segs=jieba.cut(corpos.loc[i].content)
for seg in segs:
if len(seg.strip())>1:
filepaths.append(file)
segments.append(seg)
#创建数据框储存数据
segmentsDF=pandas.DataFrame({'filepath':filepaths,'segment':segments}
#去杂词
stopwords=pandas.read_table('文档路径'）
fsegments=segmentsDF[~segmentDF.segments.isin(stopwords.stopword)]
#按文章进行词频的统计
seg_group=fsegments.groupby(['filepath','segment'])['segment'].agg({'count':bumpy.size}).
reset_index().sort(columns='segment',ascending=False)
seg_group=seg_group[seg_group.count>1]
#进行文本向量计算，其中index为行，columns为列
textvector=seg_group.pivot_table(values='count',index='filepath',columns='segment',
fill_values=0,aggfunc=[numpy.size])
from sklearn.metrics import pairwise_distances
distance_matrix=pairwise_distance(textvector,metric='cosine')
df_distance=pandas.DataFrame(distance_matrix)
# 匹配结果series排序用order（ascending=True）升序，dataframe 用sort（columns=）。
或者sort_index(axis=,ascending=)
for i in range(len(corpos)):
tagis=textvector.index[df_distance.loc[:,i].order(ascending=True)[1:6].index]
print(text vector.index[i]+'相似文章'）
print('\n'.join(tagis))
print('\n')
输出结果
