在 Google App Engine 中遇到 运行 游戏推荐引擎问题
Having trouble running Game Recommendation Engine in Google App Engine
所以我和几个伙伴正在为我们的最终项目构建一个游戏推荐引擎。我们让引擎正常工作，但决定使用 Google App Engine 托管它。我们已经启动了项目并且 运行ning 但每当我们尝试 运行 代码时，都会出现“IndexError：列表索引超出范围”
现在我们正在 运行ning 一个已经设置为推荐 10 款反恐精英游戏（Steam 上的应用程序 10）的代码版本，只是为了看看它是否有效。我们有一个要求用户输入的版本，我们稍后会尝试。
我可以在控制台中看到它正在推荐游戏，但它有问题，如上所述。在网站上，它也显示相同的错误和回溯。
Console Log
我也有下面贴出的代码。
如有任何帮助，我们将不胜感激。谢谢。
Main.py
import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import linear_kernel
app = Flask(__name__)
#@app.route("/")
#def index():
#return "Congratulations, it's a web app!"
@app.route("/")
def filter():
url = 'https://drive.google.com/file/d/1_skLvOKWQtq4c3x2aZtz1HlJeIxtQeon/view'
path = 'https://drive.google.com/uc?export=download&id=' + url.split('/')[-2]
ds = pd.read_csv(path)
tf = TfidfVectorizer(analyzer='word', ngram_range=(1, 1), min_df=0, stop_words='english')
tfidf_matrix = tf.fit_transform(ds['genres'])
cosine_similarities = linear_kernel(tfidf_matrix, tfidf_matrix)
results = {}
for idx, row in ds.iterrows():
similar_indices = cosine_similarities[idx].argsort()[:-100:-1]
similar_items = [(cosine_similarities[idx][i], ds['appid'][i]) for i in similar_indices]
results[row['appid']] = similar_items[1:]
print('done!')
def item(appid):
return ds.loc[ds['appid'] == appid]['name'].tolist()[0].split(' - ')[0]
# Just reads the results out of the dictionary.
def recommend(item_id, num):
print("Recommending " + str(num) + " products similar to " + item(item_id) + "...")
print("-------")
recs = results[item_id][:num]
for rec in recs:
print("Recommended: " + item(rec[1]))
recommend(item_id=10, num=10)
return recommend
if __name__ == "__main__":
app.run(host="127.0.0.1", port=8080, debug=True)
app.yaml
runtime: python39
requirements.txt
Flask==1.1.2 Pandas==1.2.4
我认为问题出在 ds.loc[ds['appid'] == appid]['name'].tolist()[0].split(' - ')[0] 行。
你正在做一个比较 ```==``` 而不是分配一个值，即你正在比较 ```ds['appid']``` 和 ```appid``` 的值，这意味着你得到一个布尔结果（真或假）。这意味着你的代码本质上是```ds.loc[True]['name'].tolist()[0].split(' - ')[0]```
我正在删除我的答案，因为我从这个 link 中发现熊猫数据帧可以基于布尔值，即 ```ds.loc[True] 是有效的.同样的 link 也给出了一个可能会出现索引错误的原因，但您必须从数据本身中找出原因
所以我和几个伙伴正在为我们的最终项目构建一个游戏推荐引擎。我们让引擎正常工作，但决定使用 Google App Engine 托管它。我们已经启动了项目并且 运行ning 但每当我们尝试 运行 代码时，都会出现“IndexError：列表索引超出范围”
现在我们正在 运行ning 一个已经设置为推荐 10 款反恐精英游戏（Steam 上的应用程序 10）的代码版本，只是为了看看它是否有效。我们有一个要求用户输入的版本，我们稍后会尝试。
我可以在控制台中看到它正在推荐游戏，但它有问题，如上所述。在网站上，它也显示相同的错误和回溯。
Console Log
我也有下面贴出的代码。
如有任何帮助，我们将不胜感激。谢谢。
Main.py
import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import linear_kernel
app = Flask(__name__)
#@app.route("/")
#def index():
#return "Congratulations, it's a web app!"
@app.route("/")
def filter():
url = 'https://drive.google.com/file/d/1_skLvOKWQtq4c3x2aZtz1HlJeIxtQeon/view'
path = 'https://drive.google.com/uc?export=download&id=' + url.split('/')[-2]
ds = pd.read_csv(path)
tf = TfidfVectorizer(analyzer='word', ngram_range=(1, 1), min_df=0, stop_words='english')
tfidf_matrix = tf.fit_transform(ds['genres'])
cosine_similarities = linear_kernel(tfidf_matrix, tfidf_matrix)
results = {}
for idx, row in ds.iterrows():
similar_indices = cosine_similarities[idx].argsort()[:-100:-1]
similar_items = [(cosine_similarities[idx][i], ds['appid'][i]) for i in similar_indices]
results[row['appid']] = similar_items[1:]
print('done!')
def item(appid):
return ds.loc[ds['appid'] == appid]['name'].tolist()[0].split(' - ')[0]
# Just reads the results out of the dictionary.
def recommend(item_id, num):
print("Recommending " + str(num) + " products similar to " + item(item_id) + "...")
print("-------")
recs = results[item_id][:num]
for rec in recs:
print("Recommended: " + item(rec[1]))
recommend(item_id=10, num=10)
return recommend
if __name__ == "__main__":
app.run(host="127.0.0.1", port=8080, debug=True)
app.yaml
runtime: python39
requirements.txt
Flask==1.1.2 Pandas==1.2.4
我认为问题出在 ds.loc[ds['appid'] == appid]['name'].tolist()[0].split(' - ')[0] 行。
我正在删除我的答案，因为我从这个 link 中发现熊猫数据帧可以基于布尔值，即 ```ds.loc[True] 是有效的.同样的 link 也给出了一个可能会出现索引错误的原因，但您必须从数据本身中找出原因