整理 KNN 所需的資料
既然你已經了解 K-nearest neighbors（KNN）的運作細節，就可以善用 scikit-learn 的 KNN 實作，同時理解其背後在做什麼。
在接下來的兩個練習中，你會依序完成兩件事：先把資料整理成適用於 scikit-learn 的 KNN 模型，然後用它來推論某位使用者對尚未看過的電影可能給出的評分。
為了一致性，你會再次使用 User_1，並預測他在看過 Apollo 13 (1995) 之後可能給出的評分。
users_to_ratings DataFrame 已替你載入。它以每位使用者為一列，欄位值為他們給出的各部電影評分。
同樣地，user_ratings_table 也已載入，內含原始評分值（尚未做置中與以 0 補值的前處理）。
本練習屬於課程
用 Python 建立推薦引擎
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Drop the column you are trying to predict
users_to_ratings.____("Apollo 13 (1995)", axis=1, inplace=____)
# Get the data for the user you are predicting for
target_user_x = ____.____[[____]]