python - 收视率最高的前 5 部电影

Question

我目前面临一个小问题。我正在处理电影镜头 1M 数据，并试图获得收视率最高的前 5 部电影。

movies = pandas.read_table('movies.dat', sep='::', header=None, names= ['movie_id', 'title', 'genre'])
users = pandas.read_table('users.dat', sep='::', header=None, names=['user_id', 'gender','age','occupation_code','zip'])
ratings = pandas.read_table('ratings.dat', sep='::', header=None, names=['user_id','movie_id','rating','timestamp'])

movie_data = pandas.merge(movies,pandas.merge(ratings,users))

上面的代码是我编写的用于将 .dat 文件合并到一个 Dataframe 中的代码。然后我需要根据评分从那个 movie_data 数据帧中获得前 5 名。

这是我所做的:

print(movie_data.sort('rating', ascending = False).head(5))

这似乎是根据评分找到前 5 名。但是，输出是:

        movie_id              title                        genre  user_id  \
0              1   Toy Story (1995)  Animation|Children's|Comedy        1   
657724      2409    Rocky II (1979)                 Action|Drama      101   
244214      1012  Old Yeller (1957)             Children's|Drama      447   
657745      2409    Rocky II (1979)                 Action|Drama      549   
657752      2409    Rocky II (1979)                 Action|Drama      684   

    rating  timestamp gender  age  occupation_code    zip  
0            5  978824268      F    1               10  48067  
657724       5  977578472      F   18                3  33314  
244214       5  976236279      F   45               11  55105  
657745       5  976119207      M   25                6  53217  
657752       5  975603281      M   25                4  27510  

如您所见，Rocky II 出现了 3 次。我想知道我是否可以通过某种方式快速删除重复项，而不是再次遍历列表，然后以这种方式删除重复项。

我看过一个 pivot_table，但我不太确定它们是如何工作的，所以如果可以用这样的表来完成，我需要一些关于它们如何工作的解释

编辑。第一条评论确实删除了重复项。

movie_data.drop_duplicates(subset='movie_id').sort('rating', ascending = False).head(5)

谢谢你:)

Answer 1

您可以通过调用 drop_duplicates 删除重复条目并传递参数 subset='movie_id':

movie_data.drop_duplicates(subset='movie_id').sort('rating', ascending = False).head(5)