Recommandations non personnalisées améliorées
Le fait qu'un film ait été regardé par beaucoup de personnes ne veut pas forcément dire que les spectateurs l'ont aimé. Pour comprendre ce qu'un spectateur a réellement pensé d'un film, des données plus explicites sont utiles. Heureusement, vous disposez aussi des cotes de chacun des spectateurs dans l'ensemble de données Movie Lens.
Dans cet exercice, vous allez calculer la cote moyenne de chaque film de l'ensemble de données, puis trouver le film ayant la cote moyenne la plus élevée.
Vous utiliserez le même user_ratings_df que dans l'exercice précédent, qui a déjà été chargé pour vous.
Cette activité fait partie du cours
Créer des moteurs de recommandation en Python
Instructions de l’exercice
- Calculez la cote moyenne pour chacun des films et enregistrez le résultat dans un DataFrame nommé
average_rating_df. - Triez le DataFrame
average_rating_dfselon la colonne de cote moyennerating, de la plus élevée à la plus faible, et enregistrez le résultat danssorted_average_ratings. - Affichez les entrées des cinq films les mieux classés dans
sorted_average_ratings.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Find the mean of the ratings given to each title
average_rating_df = user_ratings_df[["title", "rating"]].____('title').____()
# Order the entries by highest average rating to lowest
sorted_average_ratings = average_rating_df.____(____=____, ____=____)
# Inspect the top movies
print(____.____())