1、資料集簡介

MovieLens資料集包含多個使用者對多部電影的評級資料，也包括電影元資料資訊和使用者屬性資訊。

這個資料集經常用來做推薦系統，機器學習演算法的測試資料集。尤其在推薦系統領域，很多著名論文都是基於這個資料集的。(PS: 它是某次具有歷史意義的推薦系統競賽所用的資料集)。

2、資料介紹

1m的資料解壓後，可以看到四個主要的csv檔案，分別是links.csv,movies.csv,ratings.csv,tags.csv。links介紹了該資料集中的movieId和imdb、tmdb中電影的對應關係。tags是使用者的打標籤資料。本文的介紹主要基於ratings.csv 和 movies.csv

ratings資料
檔案裡面的內容包含了每一個使用者對於每一部電影的評分。資料格式如下：
userId, movieId, rating, timestamp
userId: 每個使用者的id
movieId: 每部電影的id
rating: 使用者評分，是5星制，按半顆星的規模遞增(0.5 stars - 5 stars)
timestamp: 自1970年1月1日零點後到使用者提交評價的時間的秒數
資料排序的順序按照userId，movieId排列的。

我們用pandans觀察資料的描述及前五行：

ratings = pd.read_csv('../data/ml-1m/ratings.csv',index_col=None
 
)
ratings.describe()
ratings.head(5)

輸出為：

movies資料
檔案裡包含了一部電影的id和標題，以及該電影的類別。資料格式如下：
movieId, title, genres
movieId:每部電影的id
title:電影的標題
genres:電影的類別（詳細分類見readme.txt）

我們用pandans觀察資料的前五行：

movies = pd.read_csv('../data/ml-1m/movies.csv',index_col=None)
movies.head(5)

輸出為：

合併資料集
我們可以根據movieId來合併兩個資料集

data = pd.merge(ratings,movies,on='movieId'
 
)

彙總每部電影的評分數量
合併資料集之後，我們可以看一下每部電影的評分數量，並按照降序進行排序：

rating_count_by_movie = data.groupby(['movieId','title'],as_index=False)['rating'].count()
rating_count_by_movie.columns=['movieId','title','rating_count']
rating_count_by_movie.sort_values(by=['rating_count'],ascending=False,inplace=True)
rating_count_by_movie[:10]

輸出為：

得到打分的平均值及方差

rating_stddev = data.groupby(['movieId','title']).agg({'rating':['mean','std']})
rating_stddev.head(10)

輸出為：

本文就先介紹到這裡吧！