整理 KNN 所需数据
现在您已经理解了 K 最近邻的工作原理，接下来可以在了解其底层机制的前提下，直接使用 scikit-learn 提供的 KNN 实现。
在接下来的两个练习中，您将依次完成两件事：先为 scikit-learn 的 KNN 模型准备数据，然后用它来推断某位用户对于一部尚未观看电影的可能评分。
为保持一致，您仍将针对 User_1，预测他/她在观看 Apollo 13 (1995) 时会打出的评分。
users_to_ratings DataFrame 已为您加载。它以用户为行、各自给出的评分为值。
同样，user_ratings_table 也已加载，里面是原始评分值（尚未做中心化，也未用 0 填充）。
本练习是课程的一部分
用 Python 构建推荐引擎
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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 = ____.____[[____]]