推荐相似桌游是一门面向具备 Python 与 NumPy 基础的实用项目课。你将把小型目录变成桌游之夜可用、可解释的替代列表：先判断哪些游戏真能使用，再用固定、公开的距离规则比较时长和复杂度。
两项引导实验依次教授按身份保留的资格判定、完整目录缩放、完整距离表和截止并列；独立挑战把相同流程用于另一家图书馆。成果是可重跑程序，以及普通夜晚、候选不足、零候选三类真实保存结果。
你将学到什么
完成课程后，你能够：
- 用稳定游戏 ID 关联目录和借用记录，保留同名不同版本；
- 区分人数、可借性要求与内容相似度；
- 推导完整目录的 MinMax 尺度，供参考与全部合法候选共同使用；
- 计算透明的欧氏距离，用原单位有符号差值解释候选；
- 保留全部截止并列，诚实处理不足和空候选集；
- 保存并读取能从未变 CSV 输入重新生成的真实 JSON。
本课程适合谁
适合有 Python 基础、希望完成小型可解释数据项目而非模型竞赛的学习者。
前置： Python 函数、字典、NumPy 基本数组、表格阅读与基本终端输入。了解 K 近邻分类有帮助，但不要求 scikit-learn API。引导实验补教本课使用的无标签检索、ID 关联和尺度规则。
学习环境： 每单元都有独立的浏览器 WebIDE，预备好 Python、NumPy、原创合成数据及小型输入/输出辅助程序。你完成判断函数并查看真实文件，不需要本地安装或外部数据账号。
常见问题
它能预测别人会喜欢哪款游戏吗？
不能。它按明确度量检索可用且时长、复杂度相近的游戏。个人喜好和大规模推荐性能不在范围内。
需要机器学习标签或 scikit-learn 吗？
不需要。没有目标标签，也不做监督式训练/测试划分。使用 NumPy 计算透明距离，scikit-learn 不是依赖。
挑战为什么是独立的？
它提供另一套目录、参考、借用表与请求。你用引导实验学过的相同工具和规则，在完整独立环境中完成任务。
