建立 TF-IDF 的 DataFrame
既然你已經產生了 TF-IDF 特徵，接下來需要把它們整理成可用來做推薦的格式。
你會再次使用 pandas，把陣列包成一個 DataFrame。
由於你會用電影標題來篩選資料，可以把標題指定為 DataFrame 的索引。
df_plots DataFrame 已經替你載入。它在 Title 欄包含電影名稱，在 Plot 欄包含劇情摘要。
本練習屬於課程
用 Python 建立推薦引擎
練習說明
- 建立一個
TfidfVectorizer，並如同上一個練習那樣進行 fit 與 transform。 - 把產生的
vectorized_data包成一個 DataFrame。將在 fit 與 transform 階段產生的特徵名稱做為欄名，並把新的 DataFrame 指派給tfidf_df。 - 將原始的電影標題指定為新建立之
tfidf_dfDataFrame 的索引。
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 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())