Как составить подборку фильмов

В чем суть: составить топ-список фильмов, сериалов. Поделиться с подписчиками, чем вас зацепила та или иная картина и посоветовать, что посмотреть.

Как сделать:
Для начала решите и выпишите, какие фильмы или сериалы вы бы хотели посоветовать подписчикам. Это могут быть как всем известные старые картины, так и новинки мира кино.

Составьте список. Вы можете ранжировать его по баллам, которыми вы оценили фильм или сериал, а можете не зацикливаться на рейтинге и просто пронумеровать картины.

Добавьте описание. Это может быть аннотация или кратко изложенный сюжет. Ваше описание должно заинтересовать подписчиков и заинтриговать так, чтобы они залайкали ваши посты и пошли смотреть кино.

Не забудьте поделиться вашим собственным мнением и впечатлением, которое произвел на вас фильм/сериал. Это будет полезнее, информативнее и интереснее, чем читать описание сюжета. Расскажите, какие вопросы у вас возникли при просмотре фильма или сериала, о чем картина заставила задуматься.

Однако, не раскрывайте все секреты сюжета. Не все любят спойлеры. Это наоборот может не понравиться подписчику. Оставьте для фоловеров вишенку на торте, пусть они сами погрузятся в атмосферу фильма или сериала.

Красивая фотография дополнит ваш пост и передаст эстетику кинокартины. Вы можете сделать скрин любимого момента или добавить отрезок видео. Если же в вашем контент-плане будет визуально выбиваться фото из фильма/сериала, выставите вашу фотографию или красивую раскладку, которая подойдет под общий вид аккаунта.

Создать креатив для этой идеи можно с помощью раздела «Холст» в SMMplanner. В нем есть инструменты для работы с фоном, слоями, элементами и текстом. Попробуйте – функция доступна бесплатно!

Чтобы поднять охваты и вовлеченность аккаунта, запустите игру в комментариях. Спросите у подписчиков, какой их любимый фильм или что они могут порекомендовать из новинок. Задача – ответить в комментариях и поделиться must visit кинокартинами. Не игнорируйте комментарии, ответьте каждому, что вы думаете о той или иной рекомендации. Держите обратную связь, так ваши подписчики смогут разглядеть в вас друга и прислушиваться к мнению. Придумайте приз для самого активного подписчика и разыграйте его в комментариях. Для подведения итогов вы можете использовать как специальную программу рандомного выбора, так и самостоятельно определить победителя.

Предостережения:
Советуйте те фильмы и сериалы, которые действительно вам понравились. Не гонитесь за популярными новинками и громкими названиями. Советуйте от души, так вы получите больше взаимности.

Не переживайте, если кто-то не согласен с вашим мнением. У каждого своя точка зрения: то, что нравится вам, могут оценить не все.

Остерегайтесь спойлеров. Ведь мало кто захочет включать фильм, когда знает, кто убийца или чем все закончится.

Примеры:
Алина Ланина, актриса театра и кино, известная большинству по роли Евы, жены Сельвестра в сериале «СашаТаня» на канале ТНТ. В своём Инстаграм* она не только рассказывает о нелегкой жизни актрисы, но и делится советами и подборками любимого кино.

Marina Prikhodko — блогер в индустрии моды. Однако ее Инстаграм* — это находка для сериаломанов. Девушка рассказывает о новинках и делится своим мнением, объективно сопоставляя плюсы и минусы.

ВКонтакте существует огромное количество пабликов, где публикуют примеры постов не только с рекомендациями фильмов и сериалов, но и с советами подписчиков о новых картинах. Здесь вы сможете “подглядеть” пару советов о том, как интересно рассказать о кино.

Одной из самых быстроразвивающихся групп ВКонтакте является Badcomedian. Этот популярный блогер пишет обзоры на фильмы и рассказывает о новинках кино. На его страничке фоловерам никогда не бывает скучно. Есть чему поучиться! Бери на заметку идеи и реализуй их в собственном стиле.

Телеграмм не уступает ВКонтакте по постам с примерами публикаций кино и сериалов. Здесь существуют как просто каналы с фильмами, так и специальные боты, которые помогают быстрее найти нужную картину. Если ты компьютерный гений, воспользуйся возможностью и попробуй посоревноваться между ботами, создав своего личного. Это взорвет твои охваты и вовлеченность.

Старый добрый, всеми любимый Фейсбук* также предлагает множество постов с фильмами и сериалами. Здесь примеры обзоров, трейлеров и даже спойлеров. Загляни и найди идею по душе для своего аккаунта!

Ещё несколько идей в арсенал:

• Подарок
• История из жизни
• Цитата из книги

*Соцсеть признана экстремистской и запрещена в России.

Время на прочтение
13 мин

Количество просмотров 9.4K

«Без опыта я никому не нужен! Где взять опыт?» — часто думают люди, осваивающие новую для себя сферу или изучающие новый язык программирования. Решение есть — делать пет-проекты. Представленный под катом проект системы рекомендации фильмов не претендует на сложность и точность аналогичных систем от энтерпрайз-контор, но может стать практическим стартом для новичка, которому интересны системы рекомендации в целом. Этот пост также подойдет для демонстрации как использовать Python-библиотеку EasyGUI на практике.

Важное предупреждение: если вы крепкий миддл либо сеньор, то проект может показаться вам простым. Однако не стоит спешить опускать палец вниз и забывать про тех, кто не так опытен, и кому пост может быть полезен, ведь все мы когда-то были джунами.

Начало работы

В этой статье я расскажу, как создать базовую систему рекомендаций фильмов со встроенным графическим пользовательским интерфейсом. Прежде всего нам нужны данные. Чтобы получить хорошее представление о том, насколько хорошо система рекомендаций работает на самом деле, нам понадобится довольно большой набор данных. Используем MovieLens на 25M, который вы можете скачать здесь. Набор данных состоит из шести файлов .csv и файла readme, объясняющих набор данных. Не стесняйтесь взглянуть на него, если хотите. Мы будем использовать только эти три файла:

movies.csv; ratings.csv; tags.csv

Также потребуется несколько библиотек Python:

1. NumPy
2. Pandas
3. Progress (pip install progress)
4. Fuzzywuzzy (pip install fuzzywuzzy & pip install python-Levenshtein)
5. EasyGUI

Вероятно, все они могут быть установлены через pip. Точные команды будут зависеть от ОС. Кроме того, должна работать любая IDE Python (см. материал по ним вот тут). Я пользуюсь Geany, легкой IDE для Raspbian. Посмотрим на набор данных:

movies.csv

Выше показан файл movies.csv с тремя столбцами данных, а именно: movieId, title и genres — идентификатор фильма, название и жанр. Все очень удобно и просто. Будем работать со всеми тремя.

Ниже мы видим tags.csv. Здесь используются только столбцы movieId и tag, связывающие тег со столбцом movieId, которые также есть в файлах movies.csv и rating.csv.

tags.csv

И последний, но не менее важный файл: rating.csv. От этого парня мы возьмем столбцы movieId и rating.

ratings.csv

Отлично, теперь давайте запустим IDE и начнем. Импортируем библиотеки, как показано ниже. Pandas и NumPy хорошо известны в области Data Science. Fuzzywuzzy, EasyGUI и библиотека Progress менее известны^ судя по тому, что мне удалось собрать, однако вы, возможно, знакомы с ними. Я добавлю в код много комментариев, чтобы все было понятно. Посмотрите:

Программа в основном состоит из набора функций, кроме начальной загрузки набора данных и настройки дисплея для gui, в который будет подаваться массив NumPy. Без настройки отображения в строке 12, когда список рекомендуемых фильмов из системы слишком длинный, мы получим урезанное и бесполезное изображение.

Есть разные способы сортировки значений на дисплее, например, цикл по массиву и добавление каждой строки к переменной, инициализированной в пустой список, однако этот метод мы будем использовать именно в строке 12.

Строки 16, 17, 33 и 35 — это, в основном, индикатор прогресса из библиотеки Progress. Цикл выполняется только один раз. Загрузка набора данных в мою систему занимает около 30 секунд, поэтому мы используем индикатор прогресса, чтобы показать, что набор данных загружается после запуска программы, как показано ниже. После этого нам не придется загружать его снова во время навигации по графическому интерфейсу.

Загрузка набора данных и главное меню графического интерфейса пользователя.

Внутри цикла, набор данных загружается во фреймы Pandas и данные немного изменяются для удобства. Начнем со слияния фильма и рейтингового фрейма в один фрейм. В столбце рейтинга есть несколько значений NaN, и мы будем иметь дело с этим, заполняя его средним рейтингом, вычисленным во всей колонке рейтингов. Поскольку некоторые фильмы имеют оценки с сотен площадок, мы хотим получить средний рейтинг каждого фильма и сгруппировать фильмы по movieId, который связан с названием фильма. Теперь, когда с данными проще работать, пришло время создавать функции.

Первая функция называется which_way(). Эта функция вызывает главное меню графического интерфейса пользователя и предлагает сделать выбор. Ищите фильмы по жанру или по тегу. Пользователь, конечно, тоже может нажать кнопку отмены и вообще не искать фильмы, это полностью его дело.

which_way()

Внутри функции мы определяем параметры для EasyGUI chiocebox, который отображается пользователю. Строка параметра, которую вводит пользователь, возвращается и сохраняется в переменной fieldValues. После условный оператор направляет пользователя к следующей функции или окну на основе выбора.

Если пользователь нажимает отмену, программа завершается. Но если пользователь нажимает поиск фильмов по жанру или поиск фильмов по тегу, то будут вызваны функции genre_entry() или tag_entry() и появится что-то, известное как EasyGUI multenterbox.

Из названия понятно, что это поле ввода может принимать несколько входных значений, когда необходимо. Обе функции genre_entry() и tag_entry() очень похожи, поэтому я объясню только одну из них, но в исходный код включу обе. Давай посмотрим на tag_entry().

После передачи параметров отображения multenterbox вызывается другая функция, которая проверяет ввод данных пользователем. Пользовательский ввод возвращается функцией field_check. Давайте взглянем на нее:

Иногда пользователи оставляют значение в поле пустым, возможно, по ошибке. Чтобы контролировать такое поведение, а также сделать графический интерфейс более надежным, нам нужны такие функции. Я нашел эту конкретную функцию на странице документации EasyGUI. По сути, пока вы вводите пустое поле, вам сообщат, что это поле является обязательным, и вы застрянете в цикле.

Как только пользователь что-то вводит, текст (строка) сохраняется в переменной fieldValues, а код работает со строки 114 в функции tag_entry. Пользовательский ввод из поля EasyGUI multenter возвращается в виде списка. При нажатии кнопки отмены возвращается «Нет». Чтобы использовать этот ввод и в других функциях, нам нужно объявить переменную как глобальную.

Теперь мы нарезаем список пользовательского ввода из multenterbox, и сохраняем как переменную user_input_2. Нас интересует только возвращаемый текст, если пользователь не нажимает кнопку отмены, отсюда и условный оператор:

if fieldValues != None:

Если пользователь был достаточно любезен, чтобы ввести какой-то текст, мы переходим к функции Similarity_test2(), которая в основном содержит базовые аспекты этой системы рекомендаций, в качестве альтернативы пользователь возвращается в главное меню. Similarity_test1() и Similarity_test2() очень похожи, так же как genre_entry и tag_entry. Я буду рассматривать здесь только Similarity_test2(). Давайте посмотрим на это:

Как мы видим, она принимает один параметр, переменнаую user_input_2 из функции tag_entry(). Помните тот фрейм данных, который мы создали в строке 19 из файла tags.csv? Сначала мы хотим собрать все уникальные теги из столбца тегов и сохранить их в переменной.

Существует множество способов применения библиотеки Fuzzywuzzy в зависимости от ваших задач. Мы будем работать так: output = process.extract(query, choices)

Можно передать дополнительный параметр — тип счетчика. Мы просто будем использовать синтаксис по умолчанию. По сути Fuzzywuzzy работает с расстоянием Левенштейна для вычисления различий между последовательностями и возвращает оценку в пределах 100%.

Функция process.extract(query, choices) возвращает список оценок, где каждая строка и ее оценка заключена в скобки, например (строка 95) в качестве элементов списка.

После перебора всего списка тегов и поиска совпадений с переменной user_input_2, мы перебираем список оценок и вырезаем только совпадения выше 90% и сохраняем их в переменной final_2. Мы объявляем его глобальным, чтобы использовать в следующей функции. Если fuzzywuzzy не нашел для нас соответствия, вернется []. Если совпадение по условию не найдено, просим пользователя повторить попытку, вернувшись к функции tag_entry(). В качестве альтернативы, когда у нас есть совпадения более чем на 90%, мы можем использовать их в функции tag(), как показано ниже:

tag()

Теперь, когда у нас есть совпадения более 90%, перебираем их в цикле и просматриваем каждую строку столбца tag фрейма данных df_tags, чтобы увидеть, какие теги соответствуют строкам из Fuzzywuzzy. Теперь сохраняем все совпадения тегов вместе с идентификатором movieId в переменной final_1. Чтобы очистить добавленные данные, мы отрезаем первый элемент и сбрасываем индекс фрейма данных. Теперь можно удалить столбец с именем index и все дубликаты из столбца movieId. Чтобы фильмы с наивысшим рейтингом отображались первыми в порядке убывания, отсортируем фрейм данных и удалим фильмы с рейтингом меньше 2,5/5,0.

Теперь мы можем вставить новую строку во фрейм данных прямо вверху и дублировать имена столбцов над ними. Это делается только для отображения EasyGUI. Элементу codebox не очень нравится фрейм данных pandas, поэтому нужно изменить формат фрейма.

Преобразуем каждый столбец фрейма в список, а затем повторно соберем его с помощью numpy. Да, мы просто убираем скобки и переходим к окну codebox для отображения списка. Это всё! Давайте найдем фильм по тегу: «hacker» и посмотрим, что покажут рекомендации.

Программа работает. Не стесняйтесь экспериментировать с ней и, пожалуйста, дайте мне знать, если я где-то ошибся!

# импорт библиотек
from fuzzywuzzy import fuzz 
from fuzzywuzzy import process
from progress.bar import IncrementalBar
from easygui import *
import easygui as gui
import pandas as pd
import numpy as np
import sys
# максимальное увеличение размера массива отображения numpy для отображения easygui 
np.set_printoptions(threshold=sys.maxsize)
# фрейм данных относительно большой, начальная загрузка займет около 30 секунд
# в зависимости от вашего компьютера, поэтому здесь уместна индикация загрузки
progress_bar = IncrementalBar('Loading Movie Database...', max=1)
for i in range(1):
    # чтение файлов csv
    df_tags = pd.read_csv("tags.csv", usecols = [1,2])
    df_movies = pd.read_csv("movies.csv")
    df_ratings = pd.read_csv("ratings.csv", usecols = [1,2])
    
    # объединение столбцов из отдельных фреймов данных в новый фрейм
    df_1 = pd.merge(df_movies ,df_ratings, on='movieId', how='outer')
    # заполнение значений NaN средним рейтингом
    df_1['rating'] = df_1['rating'].fillna(df_1['rating'].mean()) 
    # группирование строк df по среднему рейтингу фильма
    df_1 = pd.DataFrame(df_1.groupby('movieId')['rating'].mean().reset_index().round(1))
    # добавление столбцов title и genres в df
    df_1['title'] = df_movies['title']
    df_1['genres'] = df_movies['genres']
    
    progress_bar.next()
    # заполнение индикатора загрузки при успешной загрузке 
progress_bar.finish()
def which_way():
    '''
    Эта функция, которая выполняется при запуске программы. 
    Работает как перекресток, вы выбираете поиск фильмов по
    тегу или по жанру. По выбору пользователь переходит к следующему окну.
    '''
    # определение параметров easygui choicebox
    msg = "Choose an option:"
    title = "Main Menu"
    choices = ["Search recommended movies by genre:","Search recommended movies by tag:"]
    fieldValues = choicebox(msg,title, choices)
    
    # переменная fieldValues - это пользовательский ввод, который возвращается из графического интерфейса
    # условный оператор, направляющий пользователя к следующему интерфейсу на основе ввода
    if fieldValues == "Search recommended movies by genre:":
        genre_entry()
    
    elif fieldValues == "Search recommended movies by tag:":
        tag_entry()
def field_check(msg, title, fieldNames):
    '''
    Эта функция проверяет отсутствие вводимых пользователем значений в multenterbox
    и возвращает пользовательский ввод как переменную fieldValues.
    
    Параметры:
    
    msg, title и fieldnames графического интерфейса multienterbox
    
    '''
    
    fieldValues = multenterbox(msg, title, fieldNames)
    
    # Цикл с условием, чтобы проверить,
    # что поля ввода не пусты
    while 1:
        if fieldValues is None: break
        errmsg = ""
        for i in range(len(fieldNames)):
            if fieldValues[i].strip() == "":
                errmsg += ('"%s" is a required field.nn' % fieldNames[i])
        if errmsg == "":
            break # если пустых полей не найдено, перейти к следующему блоку кода
        # cохранить пользовательский ввода в виде списка в переменной fieldValues
        fieldValues = multenterbox(errmsg, title, fieldNames, fieldValues)
    
    return fieldValues
def tag_entry():
    ''' 
    Эта функция определяет параметры easygui multenterbox и вызывает
    field_check, если пользователь вводил значнеие,
    вызывает тест на подобие; если совпадение не найдено, пользователь возвращается
    в окно ввода
    '''
    
    # определение параметров easygui multenterbox
    msg = "Enter movie tag for example: world war 2 | brad pitt | documentary nIf tag not found you will be returned to this window"
    title = 'Search by tag'                        
    fieldNames = ["Tag"]
    
    # вызов field_check() для проверки отсутствия пользовательского ввода и
    # сохранения вода как переменной fieldValues
    fieldValues = field_check(msg, title, fieldNames)
    
    # Если пользователь ввел значение, сохраняем его в fieldValues[0]
    if fieldValues != None:
        global user_input_2
        user_input_2 = fieldValues[0]
        
        # здесь мы вызываем функцию, которая в основном проверяет строку
        # на схожесть с другими строками. Когда пользователь нажимает кнопку отмены, он возвращается в главное меню 
        similarity_test2(user_input_2)
    else:
        which_way()
def tag():
    '''
    Эта функция добавляет все совпадающие по тегам фильмы во фрейм данных pandas,
    изменяет фрейм данных для правильного отображения easygui, отбросив некоторые
    столбцы, сбрасывая индекс df, объединяя фреймы и сортируя элементы так,
    чтобы показывались фильмы с рейтингом >= 2.5. Она также преобразует столбцы df в списки
    и приводит их в порядок в массиве numpy для отображения easygui.  
    '''
    
    # добавление тегов найденных фильмов как объекта фрейма
    final_1 = []
    for i in final_2:
        final_1.append(df_tags.loc[df_tags['tag'].isin(i)])
    
    # сброс индекса df, удаление столбца индекса, а также повторяющихся записей
    lst = final_1[0]
    lst = lst.reset_index()
    lst.drop('index', axis=1, inplace=True)
    lst = lst.drop_duplicates(subset='movieId')
# слияние movieId с названиями и жанрами + удаление тега и идентификатора фильма
    df = pd.merge(lst, df_1, on='movieId', how='left')
    df.drop('tag', axis=1, inplace=True)
    df.drop('movieId', axis=1, inplace=True)
# сортировка фильмов по рейтингам, отображение только фильмов с рейтингом выше или равным 2,5
    data = df.sort_values(by='rating', ascending=False)
    data = data[data['rating'] >= 2.5]
    heading = [] # добавление названий столбцов как первой строки фрейма данных для отображения easygui
    heading.insert(0, {'rating': 'Rating', 'title': '----------Title',
     'genres': '----------Genre'})
    data = pd.concat([pd.DataFrame(heading), data], ignore_index=True, sort=True)
    
    # преобразование столбцов фрейма данных в списки
    rating = data['rating'].tolist()
    title = data['title'].tolist()
    genres = data['genres'].tolist()
    
    # составление массива numpy из списков столбцов dataframe для отображения easygui
    data = np.concatenate([np.array(i)[:,None] for i in [rating,title,genres]], axis=1)
    data = str(data).replace('[','').replace(']','')
    
    # отображение фильмов пользователю
    gui.codebox(msg='Movies filtered by tag returned from database:',
    text=(data),title='Movies')
    
    which_way()
def genre_entry():
    ''' 
    Эта функция определяет параметры easygui multenterbox
    и вызывает field_check, если пользователь что-то вводил,
    вызывается тест на подобие. Если совпадение не найдено, пользователь возвращается
    в то же окно  
    '''
    # определение параметров easygui multenterbox
    msg = "Enter movie genre for example: mystery | action comedy | war nIf genre not found you will be returned to this window"
    title = "Search by genre"
    fieldNames = ["Genre"]
    
    # вызов field_check() для проверки отсутствия пользовательского ввода и
    # сохранения ввода в fieldValues.
    fieldValues = field_check(msg, title, fieldNames)
    
    # Если пользовательский ввод не пуст, сохраняет его в переменной user_input
    if fieldValues != None:
        global user_input
        user_input = fieldValues[0]
        
    # здесь мы вызываем функцию, которая в основном проверяет строку
    # на подобие с другими строками. Если пользователь нажмет кнопку отмена, то он вернется в главное меню 
        similarity_test1(user_input)
    else:
        which_way()
def genre():
    '''
    Эта функция добавляет все соответствующие жанру фильмы во фрейм pandas,
    изменяет фрейм для правильного отображения easygui, отбросив некоторые
    столбцы, сбрасывает индекс df, объединеняет фреймы и сортирует фильмы для отображения
    только фильмов с рейтингом >= 2.5. Она также преобразует столбцы конечного df в списки
    и приводит их в порядок в массиве numpy для отображения easygui.
    '''
    
    # добавление соответствующих жанру фильмов во фрейм.
    final_1 = []
    for i in final:
        final_1.append(df_movies.loc[df_movies['genres'].isin(i)])
    
    # сброс индекса df, удаление индекса столбцов и дубликатов записей
    lst = final_1[0]
    lst = lst.reset_index()
    lst.drop('index', axis=1, inplace=True)
    lst.drop('title', axis=1, inplace=True)
    lst.drop('genres', axis=1, inplace=True)
    lst = lst.drop_duplicates(subset='movieId')
    
    # объединение идентификатора фильма с названием, рейтингом и жанром + удаление индекса, названия и жанра
    df = pd.merge(lst, df_1, on='movieId', how='left')
    
    # сортировка по рейтингу, отображение только фильмов с рейтингом выше или равным 2,5
    data = df.sort_values(by='rating', ascending=False)
    data.drop('movieId', axis=1, inplace=True)
    data = data[data['rating'] >= 2.5]
    heading = [] # add column names as first dataframe row for easygui display
    heading.insert(0, {'rating': 'Rating', 'title': '----------Title',
     'genres': '----------Genre'})
    data = pd.concat([pd.DataFrame(heading), data], ignore_index=True, sort=True)
    
    # преобразование столбцов фрейма данных в списки
    rating = data['rating'].tolist()
    title = data['title'].tolist()
    genres = data['genres'].tolist()
    
    # составление массива numpy из списков столбцов фрейма для отображения easygui
    data = np.concatenate([np.array(i)[:,None] for i in [rating,title,genres]], axis=1)
    data = str(data).replace('[','').replace(']','')
    
    # отображение фильмов пользователю
    gui.codebox(msg='Movies filtered by genre returned from database:',
    text=(data),title='Movies')
    
    which_way()
def similarity_test1(user_input):
    '''
    Эта функция проверяет схожесть строк путем сопоставления пользовательского ввода
    для жанров фильмов, совпадения > 90% сохраняется в переменной, которая
    затем передается функции жанра для сопоставления с базой данных и
    возврата в окно ввода, если совпадение не найдено
    '''
    # сохранение жанров фильмов в качестве тестовой базы и пользовательского ввода для тестирования 
    genre_list = df_movies['genres'].unique()
    query = user_input
    choices = genre_list 
    # here fuzzywuzzy does its magic to test for similarity
    output = process.extract(query, choices)
    
    # сохранение совпадений в переменной и их передача следующей функции
    global final
    final = [i for i in output if i[1] > 90]
    
    # если совпадений > 90%  не найдено, вернуть пользователя в окно жанра
    if final == []:
        genre_entry()
    else:
        genre()
def similarity_test2(user_input_2):
    '''
    Эта функция проверяет схожесть строк путем сопоставления пользовательского ввода
    в теги фильмов, совпадение > 90% сохраняется в переменной, которая
    затем передается в функцию тега для сопоставления базы данных и
    возврата в окно ввода, если совпадение не найдено
    '''
    # сохранение тега фильма в качестве тестовой базы и пользовательского ввода для тестирования
    tag_list = df_tags['tag'].unique()
    query = user_input_2
    choices = tag_list 
    # here fuzzywuzzy does its magic to test for similarity
    output = process.extract(query, choices)
    
    # сохранение возвращенных совпадений в переменной и их передача следующей функции
    global final_2
    final_2 = [i for i in output if i[1] > 90]
    
    #если совпадение> 90% не найдено, возврат в окно ввода
    if final_2 == []:
        tag_entry()
    else:
        tag()
if __name__ == '__main__':
    which_way()

Получить востребованную профессию с нуля или Level Up по навыкам и зарплате, можно, пройдя наши онлайн-курсы.

• Курс «Python для веб-разработки»
• Профессия Веб-разработчик
• Профессия iOS-разработчик с нуля
• Профессия Android-разработчик с нуля
• Профессия Java-разработчик с нуля
• Курс по JavaScript

Читать еще

• Как сделать интерактивную карту с помощью Python и open source библиотек
• Данные внутри нас: Чем занимаются биоинформатики?
• Machine Learning и Computer Vision в добывающей промышленности

Сколько фильмов вы смотрели за всю свою жизнь? Сколько еще вы планируете смотреть в то время, которое еще впереди? Если вы увлекаетесь кино, у вас будет список фильмов, которые вы хотите посмотреть где-нибудь. Скорее всего, это будет в вашем мозгу или нацарапано на бумаге.

Настоящий синий фанат уклонится от обоих и вместо этого выберет множество онлайн-приложений для каталогизации фильмов. , которые вошли в картину (каламбур). Но каталогизация фильмов — это смешной взгляд на это. Создание пользовательских списков фильмов (например, список фильмов, которые я не видел) — это упражнение для веселья и открытий. Самое приятное в том, что он помогает вам выкапывать фильмы, о которых вы даже не слышали.

Итак, вот пять приложений, которые помогут вам создать свой личный список фильмов и найти новые в процессе.

IMDb — Мои фильмы

Что может быть лучше для создания личного списка фильмов, чем на одном из самых популярных сайтов фильмов в Интернете. Зарегистрируйтесь или войдите под своей учетной записью Facebook. Как ни странно, это не позволило мне зарегистрироваться с моей учетной записью Gmail. Это также немного сбивает с толку, потому что бесплатная пробная версия IMDb Pro пытается отвлечь вас от своего платного предложения.

Но как только вы войдете, вы можете использовать огромную базу данных сайта, чтобы создать свой личный список фильмов, отсортировать их по категориям, пометить их своими заметками, а также использовать функцию расширенного поиска для просмотра своих обширных списков. Вы можете искать на сайте, как обычно. На странице каждого фильма вы увидите значок с надписью « Добавить в MyMovies» . Если вы щелкнете по нему, фильм будет помещен в корзину « Ожидание ». Это самый простой способ начать с вашего списка. Новая функция позволяет вам поделиться списком публично.

Flickchart

Если создание собственного списка фильмов звучит как дурацкий материал, Flickchart возвращает веселье обратно. Mahendra сделала полный обзор когда это пошло бета. Flickchart помогает вам составить список, показывая вам постеры двух фильмов одновременно. Вы можете нажать на один или оба, если вы их не видели. Вы можете настроить отображение фильмов по жанрам, по дате, по названию, по актерам и по студии. Ваш профиль пользователя перечисляет и оценивает фильмы, которые вы еще не видели. Вы также можете быстро создать другие пользовательские списки, используя выпадающие фильтры.

iCheckMovies

Этот веб-сайт пока не позволяет создавать собственные списки фильмов, но на нем размещено множество собственных списков. Вы можете просматривать эти списки и выбирать фильмы для просмотра. Различные топ-листы — IMDb, Критики (например, «Лучшие 1000 фильмов за всю историю»), Призы (например, «Лучший фильм BAFTA»), Веб-сайты (Например: 250 Quintessential Noir Films), Институт (Например: 100 лучших британцев) Фильмы) и Разные списки.