# 代码概述 该代码从 `movies` DataFrame 中筛选出**出现频次最高的前 3 个类型（genre）所对应的所有电影记录**，并返回前 5 行。 ```python movies[movies.genre.isin(counts.nlargest(3).index)].head() ``` --- # 代码解析（由内到外逐层拆解） ### 🔹 第一步：`counts.nlargest(3)` - 假设 `counts` 是一个 `Series`，例如由 `movies['genre'].value_counts()` 得到的各类型计数； - `.nlargest(3)` 返回 **数值最大的前 3 个元素**（即频次最高的 3 个类型及其计数）； - 示例：若 `counts` 为 ``` Drama 120 Comedy 95 Action 87 Romance 62 ``` 则 `counts.nlargest(3)` 返回： ``` Drama 120 Comedy 95 Action 87 ``` ### 🔹 第二步：`.index` - 提取上一步结果的**索引（即类型名）**，得到 `Index(['Drama', 'Comedy', 'Action'])`； - 这就是频次 Top3 的类型列表。 ### 🔹 第三步：`movies.genre.isin(...)` - 对 `movies['genre']` 每一值判断是否属于上述 Top3 类型； - 返回一个布尔 `Series`（长度 = `len(movies)`），如： ``` 0 True # 'Drama' 1 False # 'Romance' 2 True # 'Comedy' ... ``` ### 🔹 第四步：`movies[...]` - 使用布尔索引筛选 `movies`，仅保留 `genre` 属于 Top3 的所有行； - 结果是一个新 `DataFrame`，包含所有“Drama / Comedy / Action”电影的完整信息（所有列）。 ### 🔹 第五步：`.head()` - 取筛选后结果的**前 5 行**（默认 `n=5`），便于快速查看。 --- # ✅ 完整逻辑链（一句话总结） > 统计 `movies` 中各类型出现次数 → 找出频次最高的 3 个类型 → 筛选出所有属于这 3 类的电影 → 显示前 5 条。 --- # 知识点（列出该代码中遇到的知识点） - **`Series.nlargest()`**：快速获取数值型 Series 中最大 n 个值及其索引，高效替代排序。 - **布尔索引（`isin()`）**：用 `Series.isin(list)` 生成布尔掩码，实现高效条件筛选。 - **方法链式调用**：多个 Pandas 方法连续使用（如 `.nlargest().index`），提升代码简洁性与可读性。