将熊猫系列输出到txt文件

我建议把你的pd转过来。串联成pd。首先是数据帧。

df = pd.DataFrame.from_items(zip(series.index, series.str.split(' '))).T

只要序列具有相同数量的值(对于每个条目!),由空格分隔,这将返回此格式的数据帧

Out[49]: 
      0     1    2     3     4
0  3072   648  457  1035   260
1  1196   475  150  7153   671
2   838     1  300   953  1210
3  2278   151   21  4993  2628
4  1259  1035  339  2571  7153

接下来,我将适当地命名这些列

df.columns = ['movie-id1', 'movie-id2', 'movie-id3', 'movie-id4', 'movie-id5']

最后,数据帧由客户id索引(我假设这是基于您的系列索引)。我们希望将其移动到数据框架中,然后重新组织列。

df['customer_id'] = df.index
df = df[['customer_id', 'movie-id1', 'movie-id2', 'movie-id3', 'movie-id4', 'movie-id5']]

这就给您留下了这样的数据帧

  customer_id movie-id1 movie-id2 movie-id3 movie-id4 movie-id5
0            0      3072       648       457      1035       260
1            1      1196       475       150      7153       671
2            2       838         1       300       953      1210
3            3      2278       151        21      4993      2628
4            4      1259      1035       339      2571      7153

我建议您使用

df.to_csv('filepath.csv', index=False)

但是,如果您想将其作为文本文件写入,并且只使用空格分隔,则可以使用相同的函数,但要传递分隔符。

df.to_csv('filepath.txt', sep=' ', index=False)

我不认为Series对象是您想要解决的问题的正确数据结构选择。将数字数据视为数字数据(并且在数据帧中)要比在imo中维护“空格分隔字符串”转换容易得多。

您可以使用以下方法,将 Series 对象(我调用 s )将这些列表转换为 DataFrame 对象(我调用 df ):

df = pd.DataFrame([[s.index[i]] + s.str.split(' ')[i] for i in range(0, len(s))])

这个 [s.index[i]] + s.str.split(' ')[i] part负责连接电影ID列表开头的索引,这是对系列中所有可用行执行的。

在那之后,你可以把 数据帧 到a .txt 使用空格作为分隔符的文件:

df.to_csv('output.txt', sep=' ', index=False)

如前所述,您还可以在转储列之前对其命名。

同样值得避免的是csv写作黑客行为,当该系列是文本时,需要避免逃离/引用地狱。A洛杉矶:

with open(filename, 'w') as f:
    for entry in df['target_column']:
        f.write(entry)

当然,如果需要,您可以自己在循环中添加序列索引。

我建议修改代码,如下所示

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


def predict(l):
    # finds the userIds corresponding to the top 5 similarities
    # calculate the prediction according to the formula
    return (df[l.index] * l).sum(axis=1) / l.sum()


# use userID as columns for convinience when interpretering the forumla
df = pd.read_csv('ratings.csv').pivot(columns='userId',
                                                index='movieId',
                                                values='rating')
df = df - df.mean()
similarity = pd.DataFrame(cosine_similarity(
    df.T.fillna(0)), index=df.columns, columns=df.columns)

res = df.apply(lambda col: (0 * col).fillna(
    predict(similarity[col.name].nlargest(6).iloc[1:])
).nlargest(5).index.tolist()
).apply(pd.Series).rename(
    columns=lambda col_name: 'movie-id{}'.format(col_name + 1)).reset_index(
).rename(columns={'userId': 'customer_id'})
# convert to csv
res.to_csv('filepath.txt', sep = ' ',index = False)

res.head()

In [2]: res.head()
Out[2]: 
   customer_id  movie-id1  movie-id2  movie-id3  movie-id4  movie-id5
0            1       3072       1196        838       2278       1259
1            2        648        475          1        151       1035
2            3        457        150        300         21        339
3            4       1035       7153        953       4993       2571
4            5        260        671       1210       2628       7153

显示文件

   In [3]: ! head -5 filepath.txt
customer_id movie-id1 movie-id2 movie-id3 movie-id4 movie-id5
1 3072 1196 838 2278 1259
2 648 475 1 151 1035
3 457 150 300 21 339
4 1035 7153 953 4993 2571

_{旧问题,但添加答案以便获得帮助}

从问题的标题来看,用户似乎想将控制台输出转储到文件使用中。 to_string() 方法将数据帧(或系列)转储到文本文件中,格式与我们在控制台上看到的格式相同。例如,我复制了OP的示例,并使用 pd.read_clipboard() :

>>> df = pd.read_clipboard(index_col=0, names=['movie-id1', 
                                               'movie-id2', 
                                               'movie-id3', 
                                               'movie-id4', 
                                               'movie-id5'])
>>> df.index.name = 'userId'
>>> with open("/home/grijesh/Downloads/example.txt", 'w') as of:
         df.to_string(buf=of)

您还可以从中了解有关格式化代码的更多信息 io/formats/format.py

PS:用于相当大的数据集,效果很好-用于文本模式观察。