%%capture !pip install cvxpy

#importamos los parametros que relacionan los usuarios import numpy as np import pandas as pd # EL archivo de parametros #pero puede ser sintetizado con #las coordenadas o las correlaciones par_df = pd.read_csv( '/content/drive/MyDrive/PersonalProjects/NetflixData/DatosNetflix/NetflixRelations.csv', index_col=0 ) par_df.head()

threshold_distance = 0.1 # Convierte las distancias a 0 y 1 según el threshold df = par_df.apply(lambda row: row >= threshold_distance).astype(int) a = df.values # Matrix with 1 or 0 dependeing the th condition b = np.ones(len(par_df)) # Vector of ones to filter valid areas a # Matriz de dsitancias

import cvxpy as cp y = cp.Variable(len(a), boolean=True) # Creamos la matriz de condiciones y multiplicamos por el vector de # incognitas y conds = [a @ y >= b]

obj = cp.Minimize(cp.sum(y))

prob = cp.Problem(obj, constraints=conds) prob.solve(solver=cp.GLPK_MI) print(prob.status) # Si es optimal, se puede resolver

a = par_df.values # Matrix with 1 or 0 dependeing the th condition b = np.ones(len(par_df)) # Vector of ones to filter valid areas a # Matriz de dsitancias

y = cp.Variable(len(a), boolean=True) # Creamos la matriz de condiciones y multiplicamos por el vector de # incognitas y conds = [a @ y >= b]

obj = cp.Minimize(cp.sum(y))

prob = cp.Problem(obj, constraints=conds) prob.solve(solver=cp.GLPK_MI) print(prob.status) # Si es optimal, se puede resolver