建立 TF-IDF 模型
TF-IDF 在預設情況下，會為所有文件中的每個字詞（在本例中是電影摘要）各建立一個欄位。 這會造成資料集龐大且難以理解，因為其中同時包含每份文件都常見的字詞，以及極少出現、對找出項目相似性沒有幫助的字詞。
在這個練習中，你會使用 df_plots 這個 DataFrame。它在 Title 欄位包含電影名稱，在 Plot 欄位包含電影劇情摘要。
利用這個 DataFrame，你會先產生預設的 TF-IDF 分數，並檢查是否包含沒有價值的欄位。
接著你會重新執行 TF-IDF 計算，這次使用 min_df 與 max_df 參數限制欄位數量，並觀察是否有所改善。
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。
from sklearn.feature_extraction.text import TfidfVectorizer
# Instantiate the vectorizer object to the vectorizer variable
vectorizer = ____()
# Fit and transform the plot column
vectorized_data = vectorizer.____(df_plots['Plot'])
# Look at the features generated
print(____.____())