【streamlit】30分で作るリコメンドエンジン【試してみた】

はじめに🚀

今話題のstreamlit触ってみましたよってだけ。

データ🍕

手元にあったユーザー×アイテムの購入数がマッピングされたデータになってます。
こんな感じ。

	アイテム1	アイテム2	アイテム3	アイテム4	アイテム5
ユーザー１	0個	0個	0個	1個	0個
ユーザー2	1個	0個	1個	0個	0個
ユーザー3	0個	0個	0個	3個	0個
ユーザー4	0個	2個	0個	0個	0個
ユーザー5	0個	0個	4個	0個	6個

書いてくよ😋

import numpy as np
import pandas as pd
import streamlit as st
from sklearn import neighbors

データロードの関数

@st.cache
def load_data():
    df = pd.read_csv('data/data2.csv')
    df = df.set_index('user_id')
    df = df.dropna(how='all')
    df = df.fillna(0)
    return df

@st.cacheがないと、リロードするたびに毎回読み込みみたい
データ読み込んで、表示します！

    st.title('Item Recommend Engine 🚀')

    df = load_data()
    st.subheader('Train data {}'.format(df.shape))
    st.write(df.head(100))

モデルを学習

    knn = neighbors.NearestNeighbors(
        n_neighbors=51, algorithm='brute', metric='cosine')
    model_knn = knn.fit(df)

リコメンドするユーザーを指定できるようにする

    user = 3826
    user = st.number_input('user id', value=user)
    if user not in df.index:
        st.subheader('User {} is not found 😱'.format(user))
        return

    st.subheader('Target user {}'.format(user))

リコメンドするユーザーに類似するユーザーを算出

    target_row = df[df.index == user].values.reshape(1, -1)
    distance, indice = model_knn.kneighbors(target_row, n_neighbors=51)

    result_df = pd.DataFrame(data={
        'distance': distance[0],
        'user': [df.index[indice.flatten()[i]] for i in range(0, len(indice.flatten()))]
    })
    st.subheader('Similar users ❤️'.format(user))
    st.write(result_df)

類似ユーザーが購入したアイテムからリコメンド商品を算出

    reshape_df = df.T
    counts = pd.Series(
        np.repeat(0, df.shape[1]), index=reshape_df.index)
    i = 0
    for user_id in result_df['user'].values:
        s = reshape_df[user_id]
        score = s * (50 - i)
        counts = counts + score
        i = i + 1

    st.subheader('Recommended 20 Item 🎉')
    top = counts.sort_values(ascending=False)
    top.name = "Recommend Score"
    st.table(top[:20])

めでたしめでたし👏

コード全体はこんな感じです。

import numpy as np
import pandas as pd
import streamlit as st
from sklearn import neighbors


@st.cache
def load_data():
    df = pd.read_csv('data/data2.csv')
    df = df.set_index('user_id')
    df = df.dropna(how='all')
    df = df.fillna(0)
    return df


def main():
    st.title('Item Recommend Engine 🚀')

    df = load_data()
    st.subheader('Train data {}'.format(df.shape))
    st.write(df.head(100))

    knn = neighbors.NearestNeighbors(
        n_neighbors=51, algorithm='brute', metric='cosine')
    model_knn = knn.fit(df)

    user = 3826
    user = st.number_input('user id', value=user)
    if user not in df.index:
        st.subheader('User {} is not found 😱'.format(user))
        return

    st.subheader('Target user {}'.format(user))
    target_row = df[df.index == user].values.reshape(1, -1)
    distance, indice = model_knn.kneighbors(target_row, n_neighbors=51)

    result_df = pd.DataFrame(data={
        'distance': distance[0],
        'user': [df.index[indice.flatten()[i]] for i in range(0, len(indice.flatten()))]
    })
    st.subheader('Similar users ❤️'.format(user))
    st.write(result_df)

    reshape_df = df.T
    counts = pd.Series(
        np.repeat(0, df.shape[1]), index=reshape_df.index)
    i = 0
    for user_id in result_df['user'].values:
        s = reshape_df[user_id]
        score = s * (50 - i)
        counts = counts + score
        i = i + 1

    st.subheader('Recommended 20 Item 🎉')
    top = counts.sort_values(ascending=False)
    top.name = "Recommend Score"
    st.table(top[:20])


if __name__ == "__main__":
    main()