臨界值
在本練習以及本章的其餘部分中，你會使用包含各家餐廳資料的 restaurants DataFrame。你的最終目標是建立一個餐廳推薦引擎，但在此之前，你需要先清理資料。
這個版本的 restaurants 來自多個來源，其中 cuisine_type 欄位有大量拼字錯誤，且理想上只應包含 italian、american 與 asian 這 3 種料理類型。由於出現太多獨特的分類，靠人工重新對應並不具擴充性，因此改用字串相似度會更好。
在開始之前，你想先用 thefuzz 的 process.extract() 函式，找出每個類別最「遠」的錯字與正確拼法之間的相似度，藉此決定相似度分數的臨界點。
本練習屬於課程
用 Python 進行資料清理
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。
# Import process from thefuzz
____
# Store the unique values of cuisine_type in unique_types
unique_types = ____
# Calculate similarity of 'asian' to all values of unique_types
print(process.____('____', ____, limit = len(____)))
# Calculate similarity of 'american' to all values of unique_types
print(____('____', ____, ____))
# Calculate similarity of 'italian' to all values of unique_types
print(____)