基于引力模型的用户商品匹配算法及Python实现

import pandas as pd
import math

# 读取Excel文件
data = pd.read_excel('D:\\pythonProject3\\会员信息\\附件二：会员信息数据.xlsx')

# 获取商品和会员的位置信息
product_latitude = data['商品GPS纬度']
product_longitude = data['商品GPS经度']
member_latitude = data['会员GPS纬度']
member_longitude = data['会员GPS经度']

# 获取任务限额和商品价格
task_limit = data['预订任务限额']
product_price = data['任务标价']

# 定义常量k, n, m
k = 1  # 初始化k
n = 2  # 初始化n，可以根据实际情况调整
m_range = range(1, 11)  # 设置m的取值范围

# 初始化最小引力子和对应的m值
min_gravity = float('inf')
best_m = 0

# 寻找最佳m值
for m in m_range:
    for i in range(len(data)):
        q1 = product_price[i]
        q2 = task_limit[i]
        r = math.sqrt((product_latitude[i] - member_latitude[i])**2 + (product_longitude[i] - member_longitude[i])**2)

        # 计算引力子
        gravity = (k * q1 * (q2**m)) / (r**n)

        # 更新最小引力子和对应的m值
        if gravity < min_gravity:
            min_gravity = gravity
            best_m = m

# 输出带常量的公式
print(f'y = ({k} * q1 * (q2^{best_m})) / (r^{n})')
print(f'最小引力子y的值为：{min_gravity}')

代码说明:

导入必要的库: 导入pandas用于处理Excel数据，导入math用于计算距离。
读取数据: 使用pandas读取Excel文件中的数据。
提取数据: 从DataFrame中提取商品GPS纬度、商品GPS经度、会员GPS纬度、会员GPS经度、预订任务限额、任务标价等数据。
初始化参数: 初始化常量k、n以及m的取值范围，可以根据实际情况进行调整。
寻找最佳参数: 使用循环遍历所有数据和m的取值范围，计算每个m对应的引力子，并更新最小引力子和对应的最佳m值。
输出结果: 输出最终的引力子公式以及最小引力子值。

优化说明:

在代码中，我们初始化了常量k和n，并设定了m的取值范围。
通过循环遍历不同的m值，计算对应的引力子，并记录最小引力子及其对应的m值。
可以根据实际情况调整k、n和m的取值范围，以获得更优的模型参数。
可以考虑使用更高级的优化算法，例如梯度下降等，来寻找最佳参数。

总结:

这段代码实现了基于引力模型的用户商品匹配算法，并通过优化算法寻找最佳参数。通过调整模型参数，可以根据实际需求实现更加精准的用户商品匹配。