Python是一種通用的高級編程語言，已成為科學計算、Web開發、人工智能等領域的重要工具。在電影推薦領域，Python也有著廣泛的應用。本文將講解如何使用Python計算電影相似度。

# 導入需要用到的庫
import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
# 讀取數據
movies = pd.read_csv('movies.csv')
# 構建TF-IDF矩陣
tfidf = TfidfVectorizer(stop_words='english')
tfidf_matrix = tfidf.fit_transform(movies['overview'].fillna(''))
# 計算余弦相似度
cosine_sim = cosine_similarity(tfidf_matrix, tfidf_matrix)
# 獲取電影相似度排名
indices = pd.Series(movies.index, index=movies['title']).drop_duplicates()
def get_similarity_rank(title, cosine_sim=cosine_sim, indices=indices):
idx = indices[title]
sim_scores = list(enumerate(cosine_sim[idx]))
sim_scores = sorted(sim_scores, key=lambda x: x[1], reverse=True)
sim_scores = sim_scores[1:11]
movie_indices = [i[0] for i in sim_scores]
return movies['title'].iloc[movie_indices]
# 示例：獲取電影“Avatar”相似度排名
get_similarity_rank('Avatar')

以上代碼實現了基于TF-IDF向量和余弦相似度的電影相似度計算。具體來說，首先讀取電影數據，然后使用TF-IDF向量化電影概述信息，計算余弦相似度矩陣。最后可以通過輸入電影名稱獲取相似度排名。

在實際應用中，可以將電影相似度作為電影推薦算法的依據，幫助用戶找到更多喜歡的電影。