Створення датафрейму TF-IDF

Тепер, коли ви згенерували ознаки TF-IDF, треба подати їх у зручному для рекомендацій форматі. Знову скористайтеся pandas і загорніть масив у DataFrame. Оскільки ви фільтруватимете дані за назвами фільмів, призначте ці назви як індекс DataFrame.

Датофрейм df_plots уже завантажено для вас. У ньому в стовпці Title містяться назви фільмів, а в стовпці Plot — їхні описи сюжету.

Ця вправа є частиною курсу

Створення систем рекомендацій у Python

Переглянути курс

Інструкції до вправи

Створіть TfidfVectorizer і виконайте fit та transform так само, як у попередній вправі.
Обгорніть згенеровані vectorized_data у DataFrame. Використайте назви ознак, згенерованих під час fit і transform, як назви стовпців, і збережіть новий DataFrame у змінній tfidf_df.
Призначте оригінальні назви фільмів як індекс щойно створеного датафрейму tfidf_df.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

from sklearn.feature_extraction.text import TfidfVectorizer

# Instantiate the vectorizer object and transform the plot column
vectorizer = ____(max_df=0.7, min_df=2)
vectorized_data = vectorizer.____(df_plots['Plot']) 

# Create Dataframe from TF-IDFarray
tfidf_df = pd.____(____.toarray(), columns=vectorizer.____())

# Assign the movie titles to the index and inspect
tfidf_df.____ = ____['Title']
print(tfidf_df.head())

Редагувати та запускати код