请帮我写一份基于混合推荐电影的python代码考虑到提取主题词和电影评分

当涉及到基于混合推荐的电影推荐系统时，有多种方法可以实现。以下是一个示例代码，其中使用了主题词提取和电影评分来进行推荐。

import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import linear_kernel

# 读取电影数据
movies = pd.read_csv('movies.csv')

# 计算电影的主题词向量
tfidf = TfidfVectorizer(stop_words='english')
movies['overview'] = movies['overview'].fillna('')
tfidf_matrix = tfidf.fit_transform(movies['overview'])

# 计算电影评分的加权平均分
C = movies['vote_average'].mean()
m = movies['vote_count'].quantile(0.9)
movies['score'] = (movies['vote_count'] / (movies['vote_count'] + m) * movies['vote_average']) + (m / (movies['vote_count'] + m) * C)

# 构建电影推荐函数
def get_recommendations(title, cosine_similarities):
    # 获取电影标题的索引
    idx = movies[movies['title'] == title].index[0]

    # 计算电影之间的相似度得分
    sim_scores = list(enumerate(cosine_similarities[idx]))

    # 按照相似度得分进行排序
    sim_scores = sorted(sim_scores, key=lambda x: x[1], reverse=True)

    # 取出前10个最相似的电影
    sim_scores = sim_scores[1:11]

    # 获取电影的索引
    movie_indices = [i[0] for i in sim_scores]

    # 返回推荐的电影
    return movies['title'].iloc[movie_indices]

# 计算电影之间的余弦相似度
cosine_similarities = linear_kernel(tfidf_matrix, tfidf_matrix)

# 获取推荐电影
recommendations = get_recommendations('The Dark Knight', cosine_similarities)
print(recommendations)

请确保将代码中的movies.csv替换为包含电影数据的实际文件名，并且文件中包含title、overview、vote_average和vote_count等列。此代码将以The Dark Knight为例，推荐与其主题和评分相似的电影。你可以根据需要修改和定制代码来满足你的实际需求