掌握pandas基本语法操作「pandas基础入门中有详细语法格式」后，就可以利用pandas做一些简单实例的数据处理。

首先需要下载电影数据集MovieLens，这个数据集中包含用户数据；电影数据；电影评分表。电影数据中包含了电影id，电影名，电影类型。这个数据集中的数据都经过了预处理，保证一个用户至少对20个电影进行了评分。

首先，通过pandas将电影数据导入程序中。 要想读用户信息，需要把用户表数据的标题先表示出来；读列表的第一个参数是文件名，因为没有表头，因此需要设置header为空。

同理将电影数据和电影评分数据也导入到程序；

通过print (len( ))可以返回导入数据的总数量，可以设置显示数据条数；

pandas中，需要吧数据合并起来更利于分析，用merge函数先合并用户表和评分表，再合并电影表；

使用merge函数需要注意被合并表格需要有相同行/列名；当不指定合并行时，默认按照相同行/列名进行合并。 当没有相同的可以用于合并的行/列名时，运行报错：No common columns to perform merge on merge函数会将两个表中的电影id一一对应进行匹配，通过data[data.users_id == 1可以查看用户id为1的用户看的所有电影的评分； 用到的是pandas中数据透视的函数；查询值是评分，行索引是电影名，列索引是性别，通过平均值来聚合数据 计算每一部电影，不同性别的评分对比

其中，pandas.pivot_table是pandas中数据透视表函数。 语法格式如下：

其中参数：

在上述代码中，查询值是评分，行索引是电影名，列索引是性别，通过平均值来聚合数据

由此我们可以去分析哪些电影的男女观影分歧最大。要想算出分歧最大，就要算平均得分差异越大的数据，就需要加一列数据，用于存放男女评分数据差异值。

diff：计算差异与所述数据帧另一元件相比，数据帧元件的erence（默认为前一行中元素）。 通过对diff进行排序，找出最大值，就可以找出分歧最大的电影，ascending是排序方式，默认升序。

通过分析电影评分数据，看看那些电影看的人最多。给电影评分的人最多，说明看的人最多，就可以找出热门电影；

按照电影名title来进行数据分组，通过size分别获取每个title下评分个数；按照title来进行分组；接着按照评分数量给数据进行排序（降序）找出最热门的10部电影.

从另一排序维度来看，我们可以通过数据透视表查看评分最高的电影。这里聚合函数还是选取求平均值；通过value=获取评分的数据,利用电影标题进行索引。

对上述平均评分数据进行排序，就可以得出评分最高的10部电影

通过评分最高的方式选出高分电影后，发现有些电影是很小众和陌生的，可以却是评分很高的电影，原因是看的人很少但看完后给了高分。因此，评价一部电影是否为好电影，不仅仅看评分还需要有足够大的观看人数。所以，我们可以说一部好电影，既要是热门电影，又要是评分很高的电影。 查看观看人数最多的top10电影的评分：

同理查看评分最高top10电影的观看人数：

可见两个数据毫无重合，因此首先需要找出热度足够高的电影，即评分次数较多的电影。假设大于2000评分就代表热度足够高；接着需要从热度足够高的电影中排序查找评分足够搞得电影，即针对热门电影的评分数据进行降序排序处理，取top10即是真正的好电影了。