利用python的代码，有200个用户对100个电影进行评分，从集合中找出平分大于3的频繁数据集

在Python中，处理这种大规模的数据并找到评分高于3的频繁项集，通常会涉及到数据预处理、使用关联规则学习算法（如Apriori或FP-Growth）以及使用数据挖掘库如`mlxtend`或`frequent_patterns`。这里我将以`mlxtend`为例，假设数据存储在一个pandas DataFrame中，列名分别为'user_id', 'movie_id', 和'score'：

import pandas as pd
from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import apriori, association_rules

# 假设df是一个DataFrame，包含用户电影评分信息
data = df.groupby(['user_id', 'movie_id'])['score'].mean().reset_index()
data.columns = ['user_id', 'movie_id', 'rating']

# 将评分数据转换为事务数据
te = TransactionEncoder()
te_ary = te.fit(data[['movie_id']]).transform(data[['movie_id']])
transactions = pd.DataFrame(te_ary, columns=te.columns_)

# 设置最小支持度（如0.5，表示需要50%以上的用户看过）
min_support = 0.5

# 使用Apriori算法找到频繁项集
frequent_itemsets = apriori(transactions, min_support=min_support, use_colnames=True)

# 找出评分大于3的频繁项集
interesting_rules = association_rules(frequent_itemsets, metric="lift", min_threshold=1)
interesting_rules[interesting_rules['consequents']['rating'] > 3]

这个代码首先将评分数据转换成频繁项集，然后利用Apriori算法找出频繁项组，最后通过`association_rules`筛选出评分大于3的规则。