Hello ! could any one help me to know why am getting Nan as predicted values. I will be really grateful for help .Thank you

i have data 900 users of 7 application usage. Where each column represent user and row represent APP.

if true
  % code
end
6524  703  126  51  517  36  439  4  149  480  38  608  9  3520  3  5  476  1  615  335  145  3040  1898  2  253  884  57  48  2789  36  1276  1004  NaN  931  1209  190  1347  1867  1149  332  102  47  496  3  1840  15  21  1731  1614  11  9005  13  60  463  163  618  4346  NaN  2  59  1096  423  1  8  236  228  683  54  97  NaN  2  1016  11  12  663  189  NaN  11  1974  NaN  NaN  901  1  2330  31  1540  532  475  4  58  NaN  106  126  NaN  35  381  96  73  9191  7098  108  202  19  5311  2869  26  58  3  284  61  14  1  63  2500  2103  NaN  95  2850  46  432  1  4542  152  NaN  810  320  14  895  243  1458  3671  248  75  137  789  2309  NaN  49  12201  61  10  3053  15  2618  2894  5895  44  5487  185  176  22  1279  278  1  161  NaN  1211  2094  118  3108  2  418  117  7  2  NaN  633  NaN  7  6  4  NaN  NaN  162  NaN  NaN  1718  3042  3942  2  1039  NaN  4681  4  NaN  666  509  4006  NaN  1035  1409  59  3625  280  4  63  14  NaN  569  NaN  101  100  3  1622  5096  5482  713  3  17  7  1592  NaN  11  51  1  NaN  2360  2021  3589  4107  49  2186  29  178  60  3175  8  NaN  1  70  3  4542  1442  NaN  3131  4  887  33  177  119  28  5222  2087  8674  1496  1964  1492  1569  1391  NaN  1723  2224  661  NaN  104  NaN  486  NaN  1413  824  2063  1089  3568  1786  NaN  24  51  891  3146  NaN  662  959  157  312  951  35  2  331  551  2  468  7361  636  5997  418  738  787  239  501  997  164  223  833  21  NaN  47  NaN  NaN  46  NaN  4301  2025  87  9  6  1  48  NaN  298  1471  404  1350  3210  1236  311  262  700  912  NaN  12  62  NaN  NaN  28  3  49  19051  244  1  4307  296  2096  45  8157  1989  913  519  154  838  513  5604  2092  799  10  1310  2092  12  4511  428  2939  646  791  5448  1640  10351  6493  860  5048  8203  1692  1990  267  2359  2550  163  1781  667  957  689  3557  106  723  2524  89  3609  1759
1541  39  7  NaN  145  NaN  NaN  NaN  19  4  NaN  2  NaN  11  1  4  NaN  NaN  13  50  39  172  85  NaN  1  7  22  1  100  17  6  120  NaN  29  NaN  5  79  188  20  12  NaN  NaN  67  NaN  5  NaN  NaN  37  67  2  455  NaN  4  100  2  18  9  NaN  28  NaN  6  9  NaN  NaN  1  5  5  NaN  12  NaN  3  24  NaN  NaN  64  11  NaN  NaN  1  NaN  NaN  64  NaN  209  6  10  195  4  NaN  NaN  NaN  5  2  NaN  55  14  18  2  169  185  NaN  118  6  73  468  4  1  1  65  15  NaN  NaN  3  71  250  NaN  137  771  NaN  2  NaN  57  41  NaN  78  22  7  217  22  97  287  7  12  5  7  124  1  4  1147  NaN  1  46  13  238  4346  1895  13  472  64  9  NaN  513  19  8  10  NaN  110  6  27  170  NaN  48  NaN  NaN  NaN  NaN  70  NaN  2  NaN  NaN  NaN  NaN  3  NaN  NaN  26  801  621  NaN  814  NaN  2657  NaN  NaN  11  9  123  19  364  137  NaN  1037  1  3  NaN  NaN  NaN  143  NaN  1  NaN  NaN  1307  1432  669  32  NaN  NaN  NaN  214  NaN  NaN  8  NaN  NaN  189  178  245  1492  2  185  NaN  5  NaN  57  NaN  NaN  NaN  41  NaN  57  71  NaN  461  NaN  68  NaN  1  20  NaN  70  9  1485  740  38  26  235  114  NaN  84  354  NaN  NaN  NaN  NaN  3  NaN  6  32  27  115  85  125  NaN  NaN  3  24  169  NaN  1  1012  5  22  311  1  NaN  29  3  NaN  11  75  75  527  30  27  54  NaN  NaN  84  NaN  25  6  NaN  NaN  14  1  NaN  NaN  NaN  171  622  NaN  NaN  NaN  NaN  1  NaN  24  255  4426  105  198  76  NaN  210  2150  1022  NaN  43  NaN  NaN  NaN  7  1  NaN  513  4  NaN  2260  107  1712  39  2084  144  77  7  233  20  4  558  170  4  NaN  146  345  9  9985  297  105  200  15  7278  352  236  708  102  320  849  1108  186  124  212  597  4  36  14  4  371  343  53  169  1798  2  321  299
36  38  9  14  64  NaN  20  3  156  91  5  17  NaN  211  34  NaN  27  NaN  NaN  519  297  25  72  77  7  19  1  2  274  113  38  629  13  51  19  3  185  232  16  NaN  2  6  39  1  NaN  NaN  13  12  420  NaN  502  6  1  495  NaN  43  160  44  NaN  3  257  23  NaN  NaN  NaN  50  89  NaN  14  1  NaN  241  NaN  NaN  394  27  4  3  NaN  NaN  NaN  1  NaN  64  2  90  21  56  3  1  NaN  34  105  NaN  7  67  8  1  535  241  NaN  26  NaN  654  1050  NaN  68  NaN  15  19  NaN  NaN  5  84  74  NaN  NaN  84  NaN  NaN  NaN  48  83  26  19  NaN  4  184  NaN  34  34  36  9  190  142  177  NaN  NaN  1351  NaN  101  312  5  177  66  238  1  787  31  141  NaN  10  40  NaN  291  3  299  NaN  NaN  224  1  158  NaN  3  NaN  43  40  NaN  NaN  NaN  NaN  68  NaN  202  NaN  3  11  504  289  36  38  NaN  2480  NaN  NaN  279  660  342  NaN  73  NaN  NaN  1985  142  12  NaN  13  1  114  NaN  NaN  NaN  NaN  166  1272  406  109  2  NaN  NaN  44  4  4  22  NaN  NaN  241  52  46  352  10  111  NaN  NaN  NaN  148  NaN  NaN  3  4  NaN  48  79  26  144  NaN  152  150  NaN  8  2  55  129  540  60  NaN  81  416  164  4  34  250  45  NaN  NaN  2  NaN  NaN  14  109  77  251  49  92  42  12  3  65  123  NaN  45  74  59  1  369  1  2  237  100  5  96  305  778  598  90  51  77  NaN  1  32  NaN  37  44  663  16  3  NaN  2  NaN  NaN  647  6  NaN  1  NaN  NaN  2  38  2  773  596  45  289  132  NaN  2  20  164  14  NaN  NaN  NaN  NaN  1  93  NaN  566  11  NaN  294  14  2  1  209  3  49  275  4  NaN  NaN  400  39  398  NaN  59  15  NaN  19  12  279  432  8  71  179  329  1006  13  315  357  31  533  NaN  481  166  84  219  61  176  2  392  137  46  30  NaN  165  149
NaN  NaN  NaN  NaN  2  NaN  NaN  NaN  NaN  3  NaN  NaN  NaN  13  NaN  NaN  NaN  NaN  NaN  NaN  NaN  50  NaN  NaN  NaN  NaN  17  2  NaN  NaN  NaN  3  NaN  9  NaN  NaN  8  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  24  8  1  449  NaN  NaN  2  84  NaN  1  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  1  NaN  7  NaN  NaN  NaN  NaN  NaN  28  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  164  1  44  5  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  39  NaN  NaN  NaN  12  NaN  16  NaN  6  NaN  NaN  NaN  1  1  24  NaN  NaN  NaN  NaN  1  NaN  NaN  10  NaN  NaN  NaN  4  NaN  NaN  9  NaN  2  NaN  NaN  6  34  NaN  NaN  1  NaN  118  NaN  NaN  26  NaN  NaN  NaN  NaN  79  54  335  NaN  NaN  NaN  2  NaN  6  NaN  19  1  NaN  NaN  309  NaN  21  NaN  22  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  1  NaN  NaN  NaN  176  173  NaN  3  NaN  128  NaN  NaN  15  32  10  NaN  18  144  NaN  191  63  NaN  463  4  NaN  12  NaN  NaN  NaN  NaN  99  4  119  1  NaN  NaN  NaN  37  NaN  NaN  NaN  NaN  2  2  NaN  121  1163  NaN  6  NaN  1  NaN  19  NaN  NaN  NaN  NaN  NaN  4  1  NaN  7  NaN  2  NaN  1  NaN  NaN  NaN  NaN  71  4  NaN  NaN  1  NaN  NaN  55  30  NaN  NaN  NaN  NaN  NaN  NaN  2  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  2  209  NaN  NaN  14  NaN  NaN  2  NaN  NaN  55  43  NaN  NaN  6  11  46  NaN  NaN  1  NaN  6  2  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  245  NaN  NaN  NaN  NaN  NaN  2  NaN  1  325  NaN  NaN  3  NaN  NaN  NaN  NaN  35  NaN  NaN  3  NaN  NaN  2  NaN  45  2709  93  NaN  17  3  NaN  1  497  3  8  NaN  24  NaN  18  147  127  NaN  NaN  3  NaN  NaN  71  117  67  NaN  NaN  689  2  NaN  14  149  2  9  37  2  NaN  1  7  NaN  55  149  2  NaN  793  NaN  1  1  NaN  NaN  669
26  24  2  NaN  16  NaN  1  NaN  NaN  NaN  NaN  1  NaN  8  NaN  NaN  6  NaN  NaN  7  1  9  3  NaN  NaN  1  11  2  NaN  2  11  31  NaN  35  NaN  NaN  2  1  NaN  NaN  NaN  NaN  164  NaN  3  NaN  NaN  4  10  NaN  476  NaN  NaN  22  NaN  NaN  5  1  NaN  NaN  226  49  NaN  NaN  NaN  NaN  10  NaN  25  NaN  NaN  1  NaN  NaN  NaN  36  NaN  NaN  NaN  8  NaN  2  NaN  203  NaN  NaN  5  6  NaN  3  NaN  2  1  NaN  4  1  5  NaN  38  4  NaN  NaN  NaN  20  11  NaN  NaN  4  10  NaN  NaN  3  6  NaN  98  NaN  NaN  34  NaN  NaN  NaN  7  91  NaN  11  NaN  NaN  NaN  NaN  9  2  NaN  NaN  NaN  10  51  NaN  NaN  1  NaN  NaN  150  NaN  318  1  12  NaN  127  6  5  NaN  NaN  NaN  NaN  15  NaN  28  12  NaN  677  NaN  1  NaN  NaN  NaN  NaN  7  NaN  NaN  NaN  NaN  NaN  NaN  17  1  NaN  NaN  2  139  NaN  4  NaN  389  NaN  NaN  4  NaN  4  NaN  16  2  NaN  72  NaN  NaN  NaN  NaN  NaN  71  NaN  2  4  NaN  3  271  36  3  NaN  NaN  NaN  26  NaN  NaN  NaN  NaN  NaN  30  28  7  85  NaN  55  NaN  1  NaN  214  NaN  NaN  NaN  30  NaN  7  79  NaN  602  NaN  NaN  NaN  NaN  NaN  14  4  263  3  8  29  11  7  2  NaN  61  53  2  NaN  NaN  NaN  NaN  NaN  8  9  41  174  1  10  NaN  NaN  NaN  NaN  137  1  NaN  33  NaN  2  3  NaN  NaN  2  111  NaN  39  246  3  143  7  12  28  NaN  1  24  NaN  NaN  4  NaN  NaN  NaN  NaN  NaN  NaN  NaN  63  2  NaN  12  NaN  NaN  2  NaN  NaN  15  2  NaN  306  6  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  67  NaN  NaN  NaN  44  1  NaN  33  3  NaN  4  NaN  1  NaN  43  11  NaN  NaN  58  NaN  1  44  NaN  60  1  11  9  2  307  723  NaN  3  35  1  47  NaN  3  NaN  10  10  6  1  3  8  10  48  47  1  2  19
903  496  291  6  115  NaN  180  1  27  924  4  141  NaN  342  13  NaN  771  NaN  34  285  267  559  2364  16  32  46  51  42  554  606  427  280  NaN  235  93  1021  2675  1322  2151  1119  NaN  NaN  883  NaN  102  NaN  NaN  420  2071  19  3894  1  118  1109  4  14  33  3  17  1  2896  86  NaN  NaN  NaN  43  142  NaN  141  1  1  313  NaN  NaN  600  8  NaN  83  11  32  1  392  1  413  40  199  483  70  1  15  NaN  28  266  5  48  172  9  1  3056  1160  NaN  295  7  6538  468  1  7  4  76  89  NaN  NaN  139  490  2757  NaN  38  293  6  16  NaN  110  101  NaN  286  NaN  NaN  219  87  133  769  162  128  128  916  3038  NaN  12  1252  NaN  9  708  221  8679  4345  4613  53  339  114  178  NaN  114  709  7  182  2  339  173  2  1521  NaN  1866  7  NaN  NaN  NaN  90  NaN  17  NaN  4  NaN  NaN  31  NaN  NaN  1390  3030  4231  NaN  1184  3  16827  NaN  6  2056  202  1152  2  260  325  40  7514  409  NaN  291  3  NaN  370  1  4  NaN  NaN  1438  24731  916  103  20  4  NaN  233  NaN  NaN  14  4  NaN  1520  1561  1274  782  19  2728  NaN  38  NaN  1091  1  NaN  NaN  16  NaN  110  9326  NaN  1187  62  483  21  26  51  NaN  5104  1431  4274  1177  1252  3388  971  11574  NaN  897  1049  601  NaN  5  NaN  91  74  924  3993  551  341  385  2915  NaN  164  33  209  386  NaN  1369  5899  11  29  351  NaN  NaN  720  138  NaN  13  3927  508  1200  94  295  603  NaN  230  295  NaN  65  162  NaN  1  1  NaN  1  5  49  3287  276  NaN  13  NaN  2  42  2  17  950  953  595  715  1124  62  1319  414  513  NaN  4  174  NaN  NaN  45  NaN  4  26138  264  NaN  1366  72  352  42  4750  1356  606  122  50  296  NaN  4577  91  525  NaN  1723  244  15  2523  149  3324  23  35  3124  507  4700  2456  231  1593  1741  756  1437  206  525  1558  198  294  293  47  194  1924  120  721  1205  3  796  2952
if true
  % code
end 

if true
  % code
crosstab(crosstab==0) = nan; 
ratings=crosstab'          % row represnt users and colum represt app
movies = {'App1','App2','App3','App4','App5','App6','App7'}
users = [1:883]

if true
  % code
end
figure
subplot(2,1,1)
scatter(ratings(:,1),ratings(:,2),'filled')
lsline
%xlim([0 6]); ylim([0 6])
title('Application Preference Space by Two Users')
xlabel('Kevin''s usage frequency'); ylabel('Jay''s usage frequency')
for i = 1:size(ratings,1)
  text(ratings(i,1)+0.05,ratings(i,2),movies{i})
end
subplot(2,1,2)
scatter(ratings(:,1),ratings(:,4),'filled')
lsline
%xlim([0 6]); ylim([0 6])
xlabel('Kevin''s usage frequency'); ylabel('Spencer''s usage frequency')
for i = 1:size(ratings,1)
  text(ratings(i,1)+0.01,ratings(i,4),movies{i})
end
%By looking at the slope of the best-fit lines, you can tell that Kevin and
%Jay  share similar application usage pattern because their ratings are positively correlated.
%while Kevin and Spencer, on the other hand, seem to like use disimilar movies.

if true
  % code
end
sims = corr(ratings, 'rows', 'pairwise')
fprintf('Similarity between Kevin and Jay:     %.2f\n',sims(1,2))
fprintf('Similarity between Kevin and Spencer:  %.2f\n',sims(1,4))
%Because Kevin and Jay have verysimilar app usage , their similarity is positive.
%Kevin and Spencer, on the other hand, share highly different app uasge. Users who
%share similar application usage are called neighbors and we can predict unused APP by combining their existing ratings for other items.
%But we need to find those neighbors first. Let's find the neighbors for Kevin

if true
  % code
endsims = sims - eye(length(users)) % set self-correlations to 0
kevin_corrs = sims(1,:)
[ngh_corr, ngh_idx] = sort(kevin_corrs,'descend')
ngh_corr

if true
  % code
end
kevin_mu = nanmean(ratings(:,1))           % Kevin's average rating
ngh_corr(300:end) = []                       % drop non-neighbors
ngh_idx(300:end) = []                        % drop non-neighbors
ngh_mu = nanmean(ratings(:,ngh_idx),1)     % neighbor average ratings
Predicted = nan(length(movies),1)         % initialize an accumulator

if true
  % code
end
for i = 1:length(movies)                    % loop over movies
  ngh_r = ratings(i,ngh_idx)            % neighbor ratings for the movie
  isRated = ~isnan(ngh_r)                % only use neighbors who rated
  meanCentered =...                       % mean centered weighted average
      (ngh_r(isRated) - ngh_mu(isRated)) * ngh_corr(isRated)'...
      / sum(ngh_corr(isRated));
  Predicted(i) = kevin_mu + meanCentered % add Kevin's average
end

if true
  % code
endActual = ratings(:,1)                     % Kevin's actual ratings
table(Actual, Predicted,'RowNames',movies)  % compare them to predicted
end

Result : if true % code end Actual Predicted ____ _______

    App1    6524      NaN      
    App2    1541      NaN      
    App3      36      NaN      
    App4     NaN      NaN      
    App5      26      NaN      
    App6     903      NaN      
    App7    1890      NaN

[naadiya khudabux]

i solved it. Thank you