案例 3：我们还是像以前一样喜欢音乐器材商品吗？
这次我们准备使用一个更大规模的数据来看看时间分析的方法应用。利用人们购物信息
中的时间信息，可以从时间演化的角度来观察这些年人们购物的兴趣变化。
Amazon 电子商务平台是一个著名的国际电商平台，其中它也提供了近一份不错的数据
资源，共计包含 1.4 亿件商品评论，时间跨度从 1996 年 5 月直到 2014 年 7 月。我们可以从
这个学者提供的网站来免费下载使用。由于数据量太大，我们可以选择部分类别的数据来做
分析。
比如我们今天只选择音乐器材类商品的相关数据，具体位置位于文件列表的倒数第二
个，选择这个评分文件就可以了。
这个文件是个 CSV 格式的文本文件，对于以后我们处理的各种数据，建议大家不要随意
使用双击的默认形式来打开，比如此类文件默认会使用 Excel 打开，但是文件可能更大，有
时会导致打开失败。因此这里建议大家安装免费的 Sublime 专业文本编辑器，同学可以在网
上直接搜索下载安装。
这里我们打开了，可以看到里面有四列，和以前电影数据 MovieLens 很相似，是用户 ID、
商品 ID、评分和时间戳信息。
我们首先来读取下，大家可以参考以前介绍的方法，仍然使用 pandas 的 read_csv 方法：
rnames = ['uid', 'pid', 'rating', 'timestamp']
ratings = pd.read_csv('C:\temp\ratings_Musical_Instruments.csv', header=None,
names=rnames)
其中我们读取了文件，同时还指定了四个列的名称。通过输出观察，数据加载没有问题。
由于我们需要进行时间分析，因此接下来重点要放到时间信息上。这里的时间信息为时
间戳，什么是时间戳？时间戳其实是一个整数，说的专业一些就是利用与 1970 年 1 月 1 日
0 点之间总共的秒数来表达当前时间，显然这个值越大，说明离 1970 年初那个时间点越远。
虽然简单，还是并不好用。
我们需要将其转换为我们熟悉的 datetime 类型。
ratings['date'] = ratings['timestamp'].apply(datetime.fromtimestamp)
ratings['year'] = ratings['date'].dt.year
ratings['month'] = ratings['date'].dt.month
这里我们首先利用 datetime 类型的 fromtimestamp 函数就可以将每一个时间戳变成
datetime，仍然还是利用 apply 函数来完成。然后，将时间保存到现有的 DataFrame 中，并
且为了后续分析的方便，我们还单独保存了提取的年份和月份信息。
我们先来热热身。比如看看这些多年，人们对于音乐器材类商品的评价感受发生了什么
变化，我们以年份为分组单位，统计每个年份的评分平均值。
print(ratings['rating'].groupby(ratings['year']).mean())
我们准备使用 matplotlib 绘制下。为了完成这个目标，我们需要做两方面的准备：
