MovieLens 思路

1. 将数据文件读取到pandas DataFrame对象中,比如user.dat文件的格式为：UserID::Gender::Age::Occupation::Zip-code，通过pandas.read_table 来实现

import pandas as pdunames=['user_id','gender','age','occupation','zip']users=pd.read_table('E:/pydata-book-master/pydata-book-master/ch02/movielens/users.dat',sep='::',header=None,names=unames')![users[:5]](http://img.blog.csdn.net/20170802204246174?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvcXFfMzk0NjY2MTY=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)

1. 将所有数据合并到一个表中，pandas会根据列名的重叠情况推断出哪些是合并键，通过pd.merge方法：

data=pd.merge(pd.merge(ratings,users),movies)#一次只能合并两个![查看表中的第一个内容：](http://img.blog.csdn.net/20170802204921310?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvcXFfMzk0NjY2MTY=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)

1. 按性别计算每部电影的平均得分，通过pivot_table方法，产生另外一个DataFrame：

(平均评分,指定了index，所以后面对该表的sort_index均是对title进行sort)mean_ratings=data.pivot_table('rating',index='title',cols='gender',aggfun='mean')(http://img.blog.csdn.net/20170802210208667?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvcXFfMzk0NjY2MTY=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)

1. 过滤掉data表格中评分数据不够250的电影：

ratings_by_title=data.group('title').size()#groupby方法只是把一样的东西放在一堆，但是不经过任何处理，所以没什么用，后面必须加个方法，size方法就是数清这堆东西有多少个,title作为indexactive_titles=ratings_by_title.index[ratings_by_title>=250]#选取评分超过250条的构成索引，Series对象特性，自动为值比较。(http://img.blog.csdn.net/20170802212639934?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvcXFfMzk0NjY2MTY=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)

1. 得到过滤后的索引后（即有价值数据），我们就可以进行简单的数据处理，比如刚刚的求平均得分，就可以只看过滤后的，后来的数据处理都是基于有价值数据：

mean_ratings=mean_ratings.ix[active_titles]

1. 了解女性最喜欢的电影，对F降序排列：

top_female_ratings=mean_ratings.sort_values(by='F',ascending=False)

1. 找出男性和女性评分分歧最大的电影：

mean_ratings['diff']=mean_ratings['M']-mean_ratings['F']sorted_by_diff=mean_ratings.sort_values(by='diff')sorted_by_diff[：：-1]#男性观众更喜欢的电影

1. 找出分歧最大的电影（不考虑性别因素）：

rating_std_by_title=data.group('title')['rating'].std()rating_std_by_title=rating_std_by_title.ix[active_titles]rating_std_by_title.sort_values(ascending=False)[:10]#python3中已经废除了order方法，只有sort_index,sort_value方法，方法中的by属性只用于有多个可选值，假如只有一列value，用by方法选定会报错

1. 找特定的数据：

top_female_rating[top_female_rating.index=='Sunset Blvd. (a.k.a. Sunset Boulevard) (1950)']