制作您的第一条电影推荐
既然已经找到了最常被一起观看的电影组合，您就可以开始做出第一条推荐了！
虽然这里没有考虑观看者的任何信息，甚至对电影本身也不了解，但只要观察同一批人会一起看的电影组，就仍然能给出有价值的推荐。
在本练习中，您将查看常与 Thor 一起被相同观众观看的电影，然后基于这些数据向刚看完这部电影的人给出推荐。
上一小节中您生成的 DataFrame combination_counts_df（包含电影被共同观看的计数）已经为您加载好。
本练习是课程的一部分
用 Python 构建推荐引擎
练习说明
- 按
size列从大到小对combination_counts_df对象进行排序。 - 通过在排序后的
combination_counts_df中筛选movie_a为Thor的行，得到新的电影频次，将其赋值为thor_df，并绘制结果。
交互式实操练习
通过完成这段示例代码来试试这个练习。
import matplotlib.pyplot as plt
# Sort the counts from highest to lowest
combination_counts_df.____('size', ascending=____, inplace=____)
# Find the movies most frequently watched by people who watched Thor
thor_df = ____[____['movie_a'] ____ 'Thor']
# Plot the results
thor_df.plot.bar(x="movie_b")
plt.show()