Sistemas de recomendación & market basket análisis
Joan Claverol _ Curso Juan Gabriel Gomila _ Udemy
29 de agosto de 2018
Sistema de recomendaciones
La teoria es “si un usuario A y un usuario B comparten los mismos intereses en el pasado, compartiran los mismos intereses en el futuro”.
library(recommenderlab)## Loading required package: Matrix## Loading required package: arules##
## Attaching package: 'arules'## The following objects are masked from 'package:base':
##
## abbreviate, write## Loading required package: proxy##
## Attaching package: 'proxy'## The following object is masked from 'package:Matrix':
##
## as.matrix## The following objects are masked from 'package:stats':
##
## as.dist, dist## The following object is masked from 'package:base':
##
## as.matrix## Loading required package: registryUsaremos un dataset que está en el propio paquete:
data("MovieLense")
head(MovieLense)## 1 x 1664 rating matrix of class 'realRatingMatrix' with 271 ratings.Vamos a escoger las películas que hayan sido valoradas más de 100 veces y los usuarios que hayan valorado más de 50 veces:
rating_movies <- MovieLense[rowCounts(MovieLense)>50,
colCounts(MovieLense)>100]Cogemos una muestra usando el anterior parametro creado:
t.id <- sample(x = c(T,F), size = nrow(rating_movies),
replace = T, prob = c(0.8, 0.2))En esta muestra tendremos tantos elementos como ratings creados. Creamos el dataset de training y testing:
data_train <- rating_movies[t.id,]
data_test <- rating_movies[!t.id,]Entendiendo la estructura del dataset MovieLense; matrices sparsed
Las matrices sparsed no guardan los 0 para que no oocupe espacio en la memoria del ordenador.
Sistema de filtrado colaborativo basado en los ítems (IBCF)
En inglés es llamado (IBCF, item base collaborative filter), este filtro calcula las similitudes entre dos ítems cualesquiera del dataset utilizando mdedidas de similitud. Es un índice para saber como de parecidos son dos ítems.
ibcf <- Recommender(data = data_train,
method = "IBCF",
parameter = list(k = 30))Este modelo que hemos creado un modelo que dado un nuevo usuario el algoritmo considerará solamente las compras del usuario, y recomendar otros similares al dataset haciendo los siguientes pasos: para dos ítems cualquiera me dirá como de similiares son en términos de haber recibido valoraciones similares por otros usuarios.
ibcf.mod <- getModel(ibcf)¿Como podemos elegir una recomendación de 10 películas?
n_rec <- 10
ibcf.pred <- predict(object = ibcf,
newdata = data_test,
n = n_rec)
ibcf.pred## Recommendations as 'topNList' with n = 10 for 101 users.Ha elaborado 10 recomendaciones para cada uno de los 112 usuarios, vamos a verlas:
ibcf.rec.matrix <- sapply(ibcf.pred@items, function(x){
colnames(rating_movies)[x]
})
ibcf.rec.matrix[,1:3]## 3 6
## [1,] "Independence Day (ID4) (1996)" "Devil's Advocate, The (1997)"
## [2,] "Reservoir Dogs (1992)" "Broken Arrow (1996)"
## [3,] "Top Gun (1986)" "Down Periscope (1996)"
## [4,] "Clockwork Orange, A (1971)" "Ransom (1996)"
## [5,] "Apt Pupil (1998)" "Star Trek: Generations (1994)"
## [6,] "Clear and Present Danger (1994)" "Devil's Own, The (1997)"
## [7,] "Nutty Professor, The (1996)" "G.I. Jane (1997)"
## [8,] "Leaving Las Vegas (1995)" "Rear Window (1954)"
## [9,] "People vs. Larry Flynt, The (1996)" "Con Air (1997)"
## [10,] "Professional, The (1994)" "Scream (1996)"
## 18
## [1,] "Titanic (1997)"
## [2,] "Star Trek III: The Search for Spock (1984)"
## [3,] "Crimson Tide (1995)"
## [4,] "Beavis and Butt-head Do America (1996)"
## [5,] "Star Trek VI: The Undiscovered Country (1991)"
## [6,] "Con Air (1997)"
## [7,] "Dante's Peak (1997)"
## [8,] "Maverick (1994)"
## [9,] "Frighteners, The (1996)"
## [10,] "Austin Powers: International Man of Mystery (1997)"Estos son los 3 primeros usarios que se les recomienda las 10 primeras peliculas en relación a sus gustos. Esta recomendación la hemos echo en base a las recomendación de los ítems, las películas, que han buscado relaciones entre ellas.
Sistemas de filtrado colaborativo basado en usuarios
ubcf <- Recommender(data = data_train, method = "UBCF")
Ubcf.mod <- getModel(ubcf)
ubcf.pred <- predict(object = ubcf, ubcf,
newdata = data_test,
n = n_rec)
ubcf.pred## Recommendations as 'topNList' with n = 10 for 101 users.ubcf.rec.matrix <- sapply(ubcf.pred@items,
function(x){
colnames(rating_movies)[x]
})
ubcf.rec.matrix[,1:3]## 3
## [1,] "Raiders of the Lost Ark (1981)"
## [2,] "Casablanca (1942)"
## [3,] "Star Wars (1977)"
## [4,] "Alien (1979)"
## [5,] "Blade Runner (1982)"
## [6,] "Dr. Strangelove or: How I Learned to Stop Worrying and Love the Bomb (1963)"
## [7,] "Raising Arizona (1987)"
## [8,] "Braveheart (1995)"
## [9,] "Empire Strikes Back, The (1980)"
## [10,] "Shawshank Redemption, The (1994)"
## 6 18
## [1,] "Empire Strikes Back, The (1980)" "Good Will Hunting (1997)"
## [2,] "Return of the Jedi (1983)" "Titanic (1997)"
## [3,] "Clockwork Orange, A (1971)" "L.A. Confidential (1997)"
## [4,] "Rear Window (1954)" "Contact (1997)"
## [5,] "Aliens (1986)" "Amistad (1997)"
## [6,] "Chinatown (1974)" "Lone Star (1996)"
## [7,] "Snow White and the Seven Dwarfs (1937)" "Donnie Brasco (1997)"
## [8,] "Singin' in the Rain (1952)" "Air Force One (1997)"
## [9,] "Swingers (1996)" "Trainspotting (1996)"
## [10,] "Heathers (1989)" "Twelve Monkeys (1995)"Con el sistema anterior valoramos cada uno de los usuarios para evaluar otros que se comportan igual.
Representando la matriz de valoraciones
recommender_models <- recommenderRegistry$get_entries(dataType = "realRatingMatrix")
# vamos a ver los metodos recomendados para poder generar este sistema de recomendación, aunque los dos más típicos son la similitud
names(recommender_models)## [1] "ALS_realRatingMatrix" "ALS_implicit_realRatingMatrix"
## [3] "IBCF_realRatingMatrix" "POPULAR_realRatingMatrix"
## [5] "RANDOM_realRatingMatrix" "RERECOMMEND_realRatingMatrix"
## [7] "SVD_realRatingMatrix" "SVDF_realRatingMatrix"
## [9] "UBCF_realRatingMatrix"Estos sistemas nos permiten evaluar las diferentes recomendaciones de los usuarios (filas; usuarios, columnas; objetos que se valoran).
Es muy importante saber visualizar la información de la matriz sparsed, usando un mapa de calor, con que cada color sea una valoración. Usaremos la función image:
image(MovieLense, main = "Mapa de calor de la matriz de valoraciones de películas")
Podemos ver 55000 valoraciones de los 1000 usuarios. la zona blanca puede que sean peliculas muy antiguas para el tipo de usuario que las valora o los usuaris son muy nuevos.
Una forma de centrar los datos seria escoger los mejores valoradores y las mejores películas usando los quantiles más elevados:
min_n_movies <- quantile(rowCounts(MovieLense), 0.99)
min_n_users <- quantile(colCounts(MovieLense), 0.99)Analizamos los objetos creados:
min_n_movies # Número de valoraciones mínima que deberá tener una película para ser valorada## 99%
## 440.96min_n_users # número mínimo de valoreaciones que habrá hecho un usario para ser considerado## 99%
## 371.07Visualizemos los datos con los filtros creados:
image(MovieLense[rowCounts(MovieLense)> min_n_movies,
colCounts(MovieLense)>min_n_users])
Podemos ver el 2 % del usuario y de las películas (2%) (mejor):
min_r_movies <- quantile(rowCounts(rating_movies), 0.98)
min_r_users <- quantile(colCounts(rating_movies), 0.98)
image(rating_movies[rowCounts(rating_movies)> min_r_movies,
colCounts(rating_movies)>min_r_users],
main = "Mapa de calor del top de películas y usuarios")
7 películas son las que entran en este top, y 12 usuarios tops.
Filtrado colaborativo para datos binarios
Para este caso será una sparse matrix llena de solo 0 i 1. Para hacer esto vamos a construir una versión binaria de la matriz anterior:
rating_movies_viewed <- binarize(rating_movies, minRating = 1) # usamos la función binarize(), con un rating mínimo de 1
image(rating_movies_viewed)
Esta información ja no és real matrix, sino una binari matrix. Aquí solo podemos ver si hay puntos pintado o no.
Vamos a construir una recomendación para la siguiente tabla. Creamos el training set:
t.id <- sample(x=c(T,F),
size = nrow(rating_movies_viewed),
replace = T,
prob = c(0.8, 0.2)) # 80% entrenar, 20 % training
b_data_train <- rating_movies_viewed[t.id,]
b_data_test <- rating_movies_viewed[!t.id,]Usaremos el índice de jaccard para encontrar la mejor distancia entre recomendaciones:
#Jaccard index: d(i,j) = (i y j) / (i o j)
b_model <- Recommender(data = b_data_train,
method = "IBCF",
parameter = list(method = "Jaccard") # indicamos le método comentado, que es la que funciona para variables binarias
)
b_details <- getModel(b_model)
b_pred <- predict(object = b_model,
newdata = b_data_test,
n = n_rec)
b_rec_matrix <- sapply(b_pred@items, function(x){
colnames(rating_movies)[x]
})
b_rec_matrix[,1:3]## 11
## [1,] "Raiders of the Lost Ark (1981)"
## [2,] "Empire Strikes Back, The (1980)"
## [3,] "Star Wars (1977)"
## [4,] "Indiana Jones and the Last Crusade (1989)"
## [5,] "Return of the Jedi (1983)"
## [6,] "Terminator, The (1984)"
## [7,] "Terminator 2: Judgment Day (1991)"
## [8,] "Groundhog Day (1993)"
## [9,] "Alien (1979)"
## [10,] "Jurassic Park (1993)"
## 13
## [1,] "Willy Wonka and the Chocolate Factory (1971)"
## [2,] "It's a Wonderful Life (1946)"
## [3,] "Citizen Kane (1941)"
## [4,] "Ransom (1996)"
## [5,] "Men in Black (1997)"
## [6,] "Unforgiven (1992)"
## [7,] "Phenomenon (1996)"
## [8,] "Firm, The (1993)"
## [9,] "Vertigo (1958)"
## [10,] "Mr. Holland's Opus (1995)"
## 23
## [1,] "Indiana Jones and the Last Crusade (1989)"
## [2,] "Forrest Gump (1994)"
## [3,] "Monty Python and the Holy Grail (1974)"
## [4,] "Independence Day (ID4) (1996)"
## [5,] "Speed (1994)"
## [6,] "Braveheart (1995)"
## [7,] "Dances with Wolves (1990)"
## [8,] "Batman (1989)"
## [9,] "2001: A Space Odyssey (1968)"
## [10,] "Shawshank Redemption, The (1994)"Filtros basados en el contenido o filtros cognitivos
Vamos a trabjar directamente con links para descargarnos directamente ficheros de internet en R
#Filtros basados en el contenido
movie_url <- "http://files.grouplens.org/datasets/movielens/ml-100k/u.item"
users_url <- "http://files.grouplens.org/datasets/movielens/ml-100k/u.data"
movie_title_df <- read.table(movie_url,
header=F,
sep = "|",
quote = "\"")
users_df <- read.table(users_url, header = F,
sep = "\t", quote = "\"")names(movie_title_df) <- c("MovieID", "Title","ReleaseDate",
"video_release_date",
"IMDb_URL", "unknown", "Action", "Adventure",
"Animation", "Childrens", "Comedy", "Crime",
"Documentary", "Drama", "Fantasy",
"FilmNoir", "Horror", "Musical",
"Mystery", "Romance", "SciFi",
"Thriller", "War", "Western")
head(movie_title_df)#movie_title_df$MovieID <- NULL
movie_title_df$ReleaseDate <- NULL
movie_title_df$video_release_date <- NULL
movie_title_df$IMDb_URL <- NULL
movie_title_df <- unique(movie_title_df)
head(users_df)names(users_df) <- c("UserID", "MovieID", "rating", "timestamp")
users_df$timestamp <- NULL
str(movie_title_df)## 'data.frame': 1682 obs. of 21 variables:
## $ MovieID : int 1 2 3 4 5 6 7 8 9 10 ...
## $ Title : Factor w/ 1664 levels "'Til There Was You (1997)",..: 1525 618 555 594 344 1318 1545 111 391 1240 ...
## $ unknown : int 0 0 0 0 0 0 0 0 0 0 ...
## $ Action : int 0 1 0 1 0 0 0 0 0 0 ...
## $ Adventure : int 0 1 0 0 0 0 0 0 0 0 ...
## $ Animation : int 1 0 0 0 0 0 0 0 0 0 ...
## $ Childrens : int 1 0 0 0 0 0 0 1 0 0 ...
## $ Comedy : int 1 0 0 1 0 0 0 1 0 0 ...
## $ Crime : int 0 0 0 0 1 0 0 0 0 0 ...
## $ Documentary: int 0 0 0 0 0 0 0 0 0 0 ...
## $ Drama : int 0 0 0 1 1 1 1 1 1 1 ...
## $ Fantasy : int 0 0 0 0 0 0 0 0 0 0 ...
## $ FilmNoir : int 0 0 0 0 0 0 0 0 0 0 ...
## $ Horror : int 0 0 0 0 0 0 0 0 0 0 ...
## $ Musical : int 0 0 0 0 0 0 0 0 0 0 ...
## $ Mystery : int 0 0 0 0 0 0 0 0 0 0 ...
## $ Romance : int 0 0 0 0 0 0 0 0 0 0 ...
## $ SciFi : int 0 0 0 0 0 0 1 0 0 0 ...
## $ Thriller : int 0 1 1 0 1 0 0 0 0 0 ...
## $ War : int 0 0 0 0 0 0 0 0 0 1 ...
## $ Western : int 0 0 0 0 0 0 0 0 0 0 ...clusterMovies <- function(df, kclust = 10){
#set.seed(2018)
df <- df[,c(-1,-2)]
mclust <- kmeans(df, centers = kclust, nstart = 20)
return(mclust)
}
getUserInfo <- function(df, id){
myUser <- subset(df, UserID == id, select = c(MovieID, rating))
cluster <- 0
activeUser <- data.frame(myUser[order(myUser$MovieID),], cluster)
return(activeUser)
}
setUserMovieCluster <- function(m_title_df, mclust, activeUser){
df_aux <- data.frame(cbind(m_title_df$MovieID,
clustNum = mclust$cluster))
names(df_aux) <- c("MovieID", "Cluster")
activeUser$cluster <- df_aux[match(activeUser$MovieID, df_aux$MovieID),2]
return(activeUser)
}
getAverageClusterRating <- function(mclust, activeUser, minRating = 3){
like <- aggregate(activeUser$rating,
by=list(cluster=activeUser$cluster),
mean)
if(max(like$x)<minRating){
like <- as.vector(0)
} else {
like <- as.vector(t(max(subset(like, x>=minRating, select=cluster))))
}
return(like)
}
getRecommendedMovies <- function(like, mclust, m_title_df){
df_aux <- data.frame(cbind(m_title_df$MovieID,
clusterNum = mclust$cluster)
)
names(df_aux) = c("MovieID", "Cluster")
if(like==0){
recommend <- m_title_df[sample.int(n = nrow(m_title_df),
size = 100),1]
} else {
recommend <- as.vector(t(subset(df_aux,
Cluster == like,
select = MovieID)))
}
}
getRecommendations <- function(movie_df, user_df, userID){
mclust <- clusterMovies(movie_df)
activeUser <- getUserInfo(user_df, userID)
activeUser <- setUserMovieCluster(movie_df, mclust, activeUser)
like <- getAverageClusterRating(mclust, activeUser)
recomendation <- getRecommendedMovies(like, mclust, movie_df)
#eliminamos las películas que el usuario ya ha visto
recomendation <- recomendation[-activeUser$MovieID]
#añadimos el título de la película
movieTitle <- movie_df[match(recomendation, movie_df$MovieID),2]
recomendation <- data.frame(recomendation, movieTitle)
return(recomendation)
}
suggestMovies <- function(movie_df, user_df, user_id, num_movies){
suggestions <- getRecommendations(movie_df, user_df, user_id)
suggestions <- suggestions[1:num_movies,]
writeLines("Tal vez te gustaría ver también las siguientes películas:")
write.table(suggestions[2], row.names = F, col.names = F)
}
suggestMovies(movie_title_df, users_df, 308, 10)## Tal vez te gustaría ver también las siguientes películas:
## "Birdcage, The (1996)"
## "Brothers McMullen, The (1995)"
## "Clerks (1994)"
## "Maverick (1994)"
## "Home Alone (1990)"
## "Theodore Rex (1995)"
## "Kids in the Hall: Brain Candy (1996)"
## "Cold Comfort Farm (1995)"
## "Cable Guy, The (1996)"
## "Monty Python's Life of Brian (1979)"movie_title_df[match(movie_title_df$MovieID,
users_df[users_df$UserID==196,]$MovieID),2]## [1] <NA>
## [2] <NA>
## [3] <NA>
## [4] <NA>
## [5] <NA>
## [6] <NA>
## [7] <NA>
## [8] French Twist (Gazon maudit) (1995)
## [9] <NA>
## [10] <NA>
## [11] <NA>
## [12] <NA>
## [13] Desperado (1995)
## [14] <NA>
## [15] <NA>
## [16] <NA>
## [17] <NA>
## [18] <NA>
## [19] <NA>
## [20] <NA>
## [21] <NA>
## [22] <NA>
## [23] <NA>
## [24] <NA>
## [25] Usual Suspects, The (1995)
## [26] <NA>
## [27] <NA>
## [28] <NA>
## [29] <NA>
## [30] <NA>
## [31] <NA>
## [32] <NA>
## [33] <NA>
## [34] <NA>
## [35] <NA>
## [36] <NA>
## [37] <NA>
## [38] <NA>
## [39] <NA>
## [40] <NA>
## [41] <NA>
## [42] <NA>
## [43] <NA>
## [44] <NA>
## [45] <NA>
## [46] <NA>
## [47] <NA>
## [48] <NA>
## [49] <NA>
## [50] <NA>
## [51] <NA>
## [52] <NA>
## [53] <NA>
## [54] <NA>
## [55] <NA>
## [56] <NA>
## [57] <NA>
## [58] <NA>
## [59] <NA>
## [60] <NA>
## [61] <NA>
## [62] <NA>
## [63] <NA>
## [64] <NA>
## [65] <NA>
## [66] Angels and Insects (1995)
## [67] Shanghai Triad (Yao a yao yao dao waipo qiao) (1995)
## [68] <NA>
## [69] <NA>
## [70] Antonia's Line (1995)
## [71] <NA>
## [72] <NA>
## [73] <NA>
## [74] <NA>
## [75] <NA>
## [76] <NA>
## [77] <NA>
## [78] <NA>
## [79] <NA>
## [80] <NA>
## [81] <NA>
## [82] <NA>
## [83] <NA>
## [84] <NA>
## [85] <NA>
## [86] <NA>
## [87] <NA>
## [88] <NA>
## [89] <NA>
## [90] <NA>
## [91] <NA>
## [92] <NA>
## [93] <NA>
## [94] Postino, Il (1994)
## [95] <NA>
## [96] <NA>
## [97] <NA>
## [98] <NA>
## [99] <NA>
## [100] <NA>
## [101] <NA>
## [102] <NA>
## [103] <NA>
## [104] <NA>
## [105] <NA>
## [106] <NA>
## [107] <NA>
## [108] Braveheart (1995)
## [109] <NA>
## [110] Strange Days (1995)
## [111] Richard III (1995)
## [112] <NA>
## [113] <NA>
## [114] <NA>
## [115] <NA>
## [116] Brothers McMullen, The (1995)
## [117] <NA>
## [118] <NA>
## [119] <NA>
## [120] <NA>
## [121] <NA>
## [122] <NA>
## [123] <NA>
## [124] <NA>
## [125] <NA>
## [126] <NA>
## [127] <NA>
## [128] <NA>
## [129] <NA>
## [130] <NA>
## [131] <NA>
## [132] <NA>
## [133] <NA>
## [134] <NA>
## [135] <NA>
## [136] <NA>
## [137] <NA>
## [138] <NA>
## [139] <NA>
## [140] <NA>
## [141] <NA>
## [142] <NA>
## [143] <NA>
## [144] <NA>
## [145] <NA>
## [146] <NA>
## [147] <NA>
## [148] <NA>
## [149] <NA>
## [150] <NA>
## [151] <NA>
## [152] <NA>
## [153] Crumb (1994)
## [154] <NA>
## [155] <NA>
## [156] <NA>
## [157] <NA>
## [158] <NA>
## [159] <NA>
## [160] <NA>
## [161] <NA>
## [162] <NA>
## [163] <NA>
## [164] <NA>
## [165] <NA>
## [166] <NA>
## [167] <NA>
## [168] <NA>
## [169] <NA>
## [170] <NA>
## [171] <NA>
## [172] <NA>
## [173] Free Willy 2: The Adventure Home (1995)
## [174] <NA>
## [175] <NA>
## [176] <NA>
## [177] <NA>
## [178] <NA>
## [179] <NA>
## [180] <NA>
## [181] <NA>
## [182] <NA>
## [183] <NA>
## [184] <NA>
## [185] <NA>
## [186] <NA>
## [187] <NA>
## [188] <NA>
## [189] <NA>
## [190] <NA>
## [191] <NA>
## [192] <NA>
## [193] <NA>
## [194] <NA>
## [195] <NA>
## [196] <NA>
## [197] <NA>
## [198] <NA>
## [199] <NA>
## [200] <NA>
## [201] <NA>
## [202] Taxi Driver (1976)
## [203] <NA>
## [204] <NA>
## [205] <NA>
## [206] <NA>
## [207] <NA>
## [208] <NA>
## [209] <NA>
## [210] <NA>
## [211] <NA>
## [212] <NA>
## [213] <NA>
## [214] <NA>
## [215] <NA>
## [216] <NA>
## [217] <NA>
## [218] <NA>
## [219] <NA>
## [220] <NA>
## [221] <NA>
## [222] <NA>
## [223] <NA>
## [224] <NA>
## [225] <NA>
## [226] <NA>
## [227] <NA>
## [228] <NA>
## [229] <NA>
## [230] <NA>
## [231] <NA>
## [232] <NA>
## [233] <NA>
## [234] <NA>
## [235] <NA>
## [236] <NA>
## [237] <NA>
## [238] Babe (1995)
## [239] <NA>
## [240] <NA>
## [241] <NA>
## [242] Toy Story (1995)
## [243] <NA>
## [244] <NA>
## [245] <NA>
## [246] <NA>
## [247] <NA>
## [248] <NA>
## [249] <NA>
## [250] <NA>
## [251] Get Shorty (1995)
## [252] <NA>
## [253] <NA>
## [254] <NA>
## [255] <NA>
## [256] <NA>
## [257] Muppet Treasure Island (1996)
## [258] <NA>
## [259] <NA>
## [260] <NA>
## [261] <NA>
## [262] <NA>
## [263] <NA>
## [264] <NA>
## [265] <NA>
## [266] <NA>
## [267] <NA>
## [268] <NA>
## [269] Net, The (1995)
## [270] <NA>
## [271] <NA>
## [272] <NA>
## [273] <NA>
## [274] <NA>
## [275] <NA>
## [276] <NA>
## [277] <NA>
## [278] <NA>
## [279] <NA>
## [280] <NA>
## [281] <NA>
## [282] <NA>
## [283] <NA>
## [284] <NA>
## [285] Apollo 13 (1995)
## [286] Mighty Aphrodite (1995)
## [287] Birdcage, The (1996)
## [288] <NA>
## [289] <NA>
## [290] <NA>
## [291] <NA>
## [292] <NA>
## [293] <NA>
## [294] <NA>
## [295] <NA>
## [296] <NA>
## [297] <NA>
## [298] <NA>
## [299] <NA>
## [300] <NA>
## [301] <NA>
## [302] <NA>
## [303] <NA>
## [304] <NA>
## [305] <NA>
## [306] Twelve Monkeys (1995)
## [307] <NA>
## [308] <NA>
## [309] <NA>
## [310] <NA>
## [311] <NA>
## [312] <NA>
## [313] <NA>
## [314] <NA>
## [315] <NA>
## [316] <NA>
## [317] <NA>
## [318] <NA>
## [319] <NA>
## [320] <NA>
## [321] <NA>
## [322] <NA>
## [323] <NA>
## [324] <NA>
## [325] <NA>
## [326] <NA>
## [327] <NA>
## [328] <NA>
## [329] <NA>
## [330] <NA>
## [331] <NA>
## [332] <NA>
## [333] <NA>
## [334] <NA>
## [335] <NA>
## [336] <NA>
## [337] <NA>
## [338] <NA>
## [339] <NA>
## [340] Rumble in the Bronx (1995)
## [341] <NA>
## [342] <NA>
## [343] <NA>
## [344] <NA>
## [345] <NA>
## [346] <NA>
## [347] <NA>
## [348] <NA>
## [349] <NA>
## [350] <NA>
## [351] <NA>
## [352] <NA>
## [353] <NA>
## [354] <NA>
## [355] <NA>
## [356] <NA>
## [357] <NA>
## [358] <NA>
## [359] <NA>
## [360] <NA>
## [361] <NA>
## [362] <NA>
## [363] <NA>
## [364] <NA>
## [365] <NA>
## [366] <NA>
## [367] <NA>
## [368] <NA>
## [369] <NA>
## [370] <NA>
## [371] <NA>
## [372] <NA>
## [373] <NA>
## [374] <NA>
## [375] <NA>
## [376] <NA>
## [377] <NA>
## [378] <NA>
## [379] <NA>
## [380] <NA>
## [381] Four Rooms (1995)
## [382] Bad Boys (1995)
## [383] <NA>
## [384] <NA>
## [385] <NA>
## [386] <NA>
## [387] <NA>
## [388] <NA>
## [389] <NA>
## [390] <NA>
## [391] <NA>
## [392] <NA>
## [393] GoldenEye (1995)
## [394] <NA>
## [395] <NA>
## [396] <NA>
## [397] <NA>
## [398] <NA>
## [399] <NA>
## [400] <NA>
## [401] <NA>
## [402] <NA>
## [403] <NA>
## [404] <NA>
## [405] <NA>
## [406] <NA>
## [407] <NA>
## [408] <NA>
## [409] <NA>
## [410] <NA>
## [411] Crimson Tide (1995)
## [412] <NA>
## [413] <NA>
## [414] <NA>
## [415] <NA>
## [416] <NA>
## [417] <NA>
## [418] <NA>
## [419] <NA>
## [420] <NA>
## [421] <NA>
## [422] <NA>
## [423] <NA>
## [424] <NA>
## [425] <NA>
## [426] <NA>
## [427] <NA>
## [428] From Dusk Till Dawn (1996)
## [429] <NA>
## [430] <NA>
## [431] <NA>
## [432] <NA>
## [433] <NA>
## [434] <NA>
## [435] <NA>
## [436] <NA>
## [437] <NA>
## [438] <NA>
## [439] <NA>
## [440] <NA>
## [441] <NA>
## [442] <NA>
## [443] <NA>
## [444] <NA>
## [445] <NA>
## [446] <NA>
## [447] <NA>
## [448] <NA>
## [449] <NA>
## [450] <NA>
## [451] <NA>
## [452] <NA>
## [453] <NA>
## [454] <NA>
## [455] <NA>
## [456] <NA>
## [457] <NA>
## [458] <NA>
## [459] <NA>
## [460] <NA>
## [461] <NA>
## [462] <NA>
## [463] <NA>
## [464] <NA>
## [465] <NA>
## [466] <NA>
## [467] <NA>
## [468] <NA>
## [469] <NA>
## [470] <NA>
## [471] <NA>
## [472] <NA>
## [473] <NA>
## [474] <NA>
## [475] <NA>
## [476] <NA>
## [477] <NA>
## [478] <NA>
## [479] <NA>
## [480] <NA>
## [481] <NA>
## [482] <NA>
## [483] <NA>
## [484] <NA>
## [485] <NA>
## [486] <NA>
## [487] <NA>
## [488] <NA>
## [489] <NA>
## [490] <NA>
## [491] <NA>
## [492] <NA>
## [493] <NA>
## [494] <NA>
## [495] <NA>
## [496] <NA>
## [497] <NA>
## [498] <NA>
## [499] <NA>
## [500] <NA>
## [501] <NA>
## [502] <NA>
## [503] <NA>
## [504] <NA>
## [505] <NA>
## [506] <NA>
## [507] <NA>
## [508] <NA>
## [509] <NA>
## [510] <NA>
## [511] <NA>
## [512] <NA>
## [513] <NA>
## [514] <NA>
## [515] <NA>
## [516] <NA>
## [517] <NA>
## [518] <NA>
## [519] <NA>
## [520] <NA>
## [521] <NA>
## [522] <NA>
## [523] <NA>
## [524] <NA>
## [525] <NA>
## [526] <NA>
## [527] <NA>
## [528] <NA>
## [529] <NA>
## [530] <NA>
## [531] <NA>
## [532] <NA>
## [533] <NA>
## [534] <NA>
## [535] <NA>
## [536] <NA>
## [537] <NA>
## [538] <NA>
## [539] <NA>
## [540] <NA>
## [541] <NA>
## [542] <NA>
## [543] <NA>
## [544] <NA>
## [545] <NA>
## [546] <NA>
## [547] <NA>
## [548] <NA>
## [549] <NA>
## [550] <NA>
## [551] <NA>
## [552] <NA>
## [553] <NA>
## [554] <NA>
## [555] <NA>
## [556] <NA>
## [557] <NA>
## [558] <NA>
## [559] <NA>
## [560] <NA>
## [561] <NA>
## [562] <NA>
## [563] <NA>
## [564] <NA>
## [565] <NA>
## [566] <NA>
## [567] <NA>
## [568] <NA>
## [569] <NA>
## [570] <NA>
## [571] <NA>
## [572] <NA>
## [573] <NA>
## [574] <NA>
## [575] <NA>
## [576] <NA>
## [577] <NA>
## [578] <NA>
## [579] <NA>
## [580] Seven (Se7en) (1995)
## [581] <NA>
## [582] <NA>
## [583] <NA>
## [584] <NA>
## [585] <NA>
## [586] <NA>
## [587] <NA>
## [588] <NA>
## [589] <NA>
## [590] <NA>
## [591] <NA>
## [592] <NA>
## [593] <NA>
## [594] <NA>
## [595] <NA>
## [596] <NA>
## [597] <NA>
## [598] <NA>
## [599] <NA>
## [600] <NA>
## [601] <NA>
## [602] <NA>
## [603] <NA>
## [604] <NA>
## [605] <NA>
## [606] <NA>
## [607] <NA>
## [608] <NA>
## [609] <NA>
## [610] <NA>
## [611] <NA>
## [612] <NA>
## [613] <NA>
## [614] <NA>
## [615] <NA>
## [616] <NA>
## [617] <NA>
## [618] <NA>
## [619] <NA>
## [620] <NA>
## [621] <NA>
## [622] <NA>
## [623] <NA>
## [624] <NA>
## [625] <NA>
## [626] <NA>
## [627] <NA>
## [628] <NA>
## [629] <NA>
## [630] <NA>
## [631] <NA>
## [632] <NA>
## [633] <NA>
## [634] <NA>
## [635] <NA>
## [636] <NA>
## [637] <NA>
## [638] <NA>
## [639] <NA>
## [640] <NA>
## [641] <NA>
## [642] <NA>
## [643] <NA>
## [644] <NA>
## [645] <NA>
## [646] <NA>
## [647] <NA>
## [648] <NA>
## [649] <NA>
## [650] <NA>
## [651] <NA>
## [652] <NA>
## [653] <NA>
## [654] <NA>
## [655] Copycat (1995)
## [656] <NA>
## [657] <NA>
## [658] <NA>
## [659] <NA>
## [660] <NA>
## [661] <NA>
## [662] <NA>
## [663] Dead Man Walking (1995)
## [664] <NA>
## [665] <NA>
## [666] <NA>
## [667] <NA>
## [668] <NA>
## [669] <NA>
## [670] <NA>
## [671] <NA>
## [672] <NA>
## [673] <NA>
## [674] <NA>
## [675] <NA>
## [676] <NA>
## [677] <NA>
## [678] <NA>
## [679] <NA>
## [680] <NA>
## [681] <NA>
## [682] <NA>
## [683] <NA>
## [684] <NA>
## [685] <NA>
## [686] <NA>
## [687] <NA>
## [688] <NA>
## [689] <NA>
## [690] <NA>
## [691] <NA>
## [692] Mr. Holland's Opus (1995)
## [693] <NA>
## [694] <NA>
## [695] <NA>
## [696] <NA>
## [697] <NA>
## [698] <NA>
## [699] <NA>
## [700] <NA>
## [701] <NA>
## [702] <NA>
## [703] <NA>
## [704] <NA>
## [705] <NA>
## [706] <NA>
## [707] <NA>
## [708] <NA>
## [709] <NA>
## [710] <NA>
## [711] <NA>
## [712] <NA>
## [713] <NA>
## [714] <NA>
## [715] <NA>
## [716] <NA>
## [717] <NA>
## [718] <NA>
## [719] <NA>
## [720] <NA>
## [721] <NA>
## [722] <NA>
## [723] <NA>
## [724] <NA>
## [725] <NA>
## [726] <NA>
## [727] <NA>
## [728] <NA>
## [729] <NA>
## [730] <NA>
## [731] <NA>
## [732] <NA>
## [733] <NA>
## [734] <NA>
## [735] <NA>
## [736] <NA>
## [737] <NA>
## [738] <NA>
## [739] <NA>
## [740] <NA>
## [741] <NA>
## [742] <NA>
## [743] <NA>
## [744] <NA>
## [745] <NA>
## [746] <NA>
## [747] <NA>
## [748] <NA>
## [749] <NA>
## [750] <NA>
## [751] <NA>
## [752] <NA>
## [753] <NA>
## [754] <NA>
## [755] <NA>
## [756] <NA>
## [757] <NA>
## [758] <NA>
## [759] <NA>
## [760] <NA>
## [761] <NA>
## [762] Doom Generation, The (1995)
## [763] <NA>
## [764] <NA>
## [765] <NA>
## [766] <NA>
## [767] <NA>
## [768] <NA>
## [769] <NA>
## [770] <NA>
## [771] <NA>
## [772] <NA>
## [773] <NA>
## [774] <NA>
## [775] <NA>
## [776] <NA>
## [777] <NA>
## [778] <NA>
## [779] <NA>
## [780] <NA>
## [781] <NA>
## [782] <NA>
## [783] <NA>
## [784] <NA>
## [785] <NA>
## [786] <NA>
## [787] <NA>
## [788] <NA>
## [789] <NA>
## [790] <NA>
## [791] <NA>
## [792] <NA>
## [793] <NA>
## [794] <NA>
## [795] <NA>
## [796] <NA>
## [797] <NA>
## [798] <NA>
## [799] <NA>
## [800] <NA>
## [801] <NA>
## [802] <NA>
## [803] <NA>
## [804] <NA>
## [805] <NA>
## [806] <NA>
## [807] <NA>
## [808] <NA>
## [809] <NA>
## [810] <NA>
## [811] <NA>
## [812] <NA>
## [813] <NA>
## [814] <NA>
## [815] <NA>
## [816] <NA>
## [817] <NA>
## [818] <NA>
## [819] <NA>
## [820] <NA>
## [821] <NA>
## [822] <NA>
## [823] <NA>
## [824] <NA>
## [825] <NA>
## [826] <NA>
## [827] <NA>
## [828] <NA>
## [829] <NA>
## [830] <NA>
## [831] <NA>
## [832] <NA>
## [833] <NA>
## [834] <NA>
## [835] <NA>
## [836] <NA>
## [837] <NA>
## [838] <NA>
## [839] <NA>
## [840] <NA>
## [841] <NA>
## [842] <NA>
## [843] <NA>
## [844] <NA>
## [845] Nadja (1994)
## [846] <NA>
## [847] <NA>
## [848] <NA>
## [849] <NA>
## [850] <NA>
## [851] <NA>
## [852] <NA>
## [853] <NA>
## [854] <NA>
## [855] <NA>
## [856] <NA>
## [857] <NA>
## [858] <NA>
## [859] <NA>
## [860] <NA>
## [861] <NA>
## [862] <NA>
## [863] <NA>
## [864] <NA>
## [865] <NA>
## [866] <NA>
## [867] <NA>
## [868] <NA>
## [869] <NA>
## [870] <NA>
## [871] <NA>
## [872] <NA>
## [873] <NA>
## [874] <NA>
## [875] <NA>
## [876] <NA>
## [877] <NA>
## [878] <NA>
## [879] <NA>
## [880] <NA>
## [881] <NA>
## [882] <NA>
## [883] <NA>
## [884] <NA>
## [885] <NA>
## [886] <NA>
## [887] <NA>
## [888] <NA>
## [889] <NA>
## [890] <NA>
## [891] <NA>
## [892] <NA>
## [893] <NA>
## [894] <NA>
## [895] <NA>
## [896] <NA>
## [897] <NA>
## [898] <NA>
## [899] <NA>
## [900] <NA>
## [901] <NA>
## [902] <NA>
## [903] <NA>
## [904] <NA>
## [905] <NA>
## [906] <NA>
## [907] <NA>
## [908] <NA>
## [909] <NA>
## [910] <NA>
## [911] <NA>
## [912] <NA>
## [913] <NA>
## [914] <NA>
## [915] <NA>
## [916] <NA>
## [917] <NA>
## [918] <NA>
## [919] <NA>
## [920] <NA>
## [921] <NA>
## [922] <NA>
## [923] <NA>
## [924] <NA>
## [925] <NA>
## [926] <NA>
## [927] <NA>
## [928] <NA>
## [929] <NA>
## [930] <NA>
## [931] <NA>
## [932] <NA>
## [933] <NA>
## [934] <NA>
## [935] <NA>
## [936] <NA>
## [937] <NA>
## [938] <NA>
## [939] <NA>
## [940] <NA>
## [941] <NA>
## [942] <NA>
## [943] <NA>
## [944] <NA>
## [945] <NA>
## [946] <NA>
## [947] <NA>
## [948] <NA>
## [949] <NA>
## [950] <NA>
## [951] <NA>
## [952] <NA>
## [953] <NA>
## [954] <NA>
## [955] <NA>
## [956] <NA>
## [957] <NA>
## [958] <NA>
## [959] <NA>
## [960] <NA>
## [961] <NA>
## [962] <NA>
## [963] <NA>
## [964] <NA>
## [965] <NA>
## [966] <NA>
## [967] <NA>
## [968] <NA>
## [969] <NA>
## [970] <NA>
## [971] <NA>
## [972] <NA>
## [973] <NA>
## [974] <NA>
## [975] <NA>
## [976] <NA>
## [977] <NA>
## [978] <NA>
## [979] <NA>
## [980] <NA>
## [981] <NA>
## [982] <NA>
## [983] <NA>
## [984] <NA>
## [985] <NA>
## [986] <NA>
## [987] <NA>
## [988] <NA>
## [989] <NA>
## [990] <NA>
## [991] <NA>
## [992] <NA>
## [993] <NA>
## [994] <NA>
## [995] <NA>
## [996] <NA>
## [997] <NA>
## [998] <NA>
## [999] <NA>
## [1000] <NA>
## [1001] <NA>
## [1002] <NA>
## [1003] <NA>
## [1004] <NA>
## [1005] <NA>
## [1006] <NA>
## [1007] Belle de jour (1967)
## [1008] <NA>
## [1009] <NA>
## [1010] <NA>
## [1011] <NA>
## [1012] <NA>
## [1013] <NA>
## [1014] <NA>
## [1015] <NA>
## [1016] <NA>
## [1017] <NA>
## [1018] <NA>
## [1019] <NA>
## [1020] <NA>
## [1021] <NA>
## [1022] Mad Love (1995)
## [1023] <NA>
## [1024] <NA>
## [1025] <NA>
## [1026] <NA>
## [1027] <NA>
## [1028] <NA>
## [1029] <NA>
## [1030] <NA>
## [1031] <NA>
## [1032] <NA>
## [1033] <NA>
## [1034] <NA>
## [1035] <NA>
## [1036] <NA>
## [1037] <NA>
## [1038] <NA>
## [1039] <NA>
## [1040] <NA>
## [1041] <NA>
## [1042] <NA>
## [1043] <NA>
## [1044] <NA>
## [1045] <NA>
## [1046] <NA>
## [1047] <NA>
## [1048] <NA>
## [1049] <NA>
## [1050] <NA>
## [1051] <NA>
## [1052] <NA>
## [1053] <NA>
## [1054] <NA>
## [1055] <NA>
## [1056] <NA>
## [1057] <NA>
## [1058] <NA>
## [1059] <NA>
## [1060] <NA>
## [1061] <NA>
## [1062] <NA>
## [1063] <NA>
## [1064] <NA>
## [1065] <NA>
## [1066] <NA>
## [1067] <NA>
## [1068] <NA>
## [1069] <NA>
## [1070] <NA>
## [1071] <NA>
## [1072] <NA>
## [1073] <NA>
## [1074] <NA>
## [1075] <NA>
## [1076] <NA>
## [1077] <NA>
## [1078] <NA>
## [1079] <NA>
## [1080] <NA>
## [1081] <NA>
## [1082] <NA>
## [1083] <NA>
## [1084] <NA>
## [1085] <NA>
## [1086] <NA>
## [1087] <NA>
## [1088] <NA>
## [1089] <NA>
## [1090] <NA>
## [1091] <NA>
## [1092] <NA>
## [1093] <NA>
## [1094] <NA>
## [1095] <NA>
## [1096] <NA>
## [1097] <NA>
## [1098] <NA>
## [1099] <NA>
## [1100] <NA>
## [1101] <NA>
## [1102] <NA>
## [1103] <NA>
## [1104] <NA>
## [1105] <NA>
## [1106] <NA>
## [1107] <NA>
## [1108] <NA>
## [1109] <NA>
## [1110] <NA>
## [1111] <NA>
## [1112] <NA>
## [1113] <NA>
## [1114] <NA>
## [1115] <NA>
## [1116] <NA>
## [1117] <NA>
## [1118] White Balloon, The (1995)
## [1119] <NA>
## [1120] <NA>
## [1121] <NA>
## [1122] <NA>
## [1123] <NA>
## [1124] <NA>
## [1125] <NA>
## [1126] <NA>
## [1127] <NA>
## [1128] <NA>
## [1129] <NA>
## [1130] <NA>
## [1131] <NA>
## [1132] <NA>
## [1133] <NA>
## [1134] <NA>
## [1135] <NA>
## [1136] <NA>
## [1137] <NA>
## [1138] <NA>
## [1139] <NA>
## [1140] <NA>
## [1141] <NA>
## [1142] <NA>
## [1143] <NA>
## [1144] <NA>
## [1145] <NA>
## [1146] <NA>
## [1147] <NA>
## [1148] <NA>
## [1149] <NA>
## [1150] <NA>
## [1151] <NA>
## [1152] <NA>
## [1153] <NA>
## [1154] <NA>
## [1155] <NA>
## [1156] <NA>
## [1157] <NA>
## [1158] <NA>
## [1159] <NA>
## [1160] <NA>
## [1161] <NA>
## [1162] <NA>
## [1163] <NA>
## [1164] <NA>
## [1165] <NA>
## [1166] <NA>
## [1167] <NA>
## [1168] <NA>
## [1169] <NA>
## [1170] <NA>
## [1171] <NA>
## [1172] <NA>
## [1173] <NA>
## [1174] <NA>
## [1175] <NA>
## [1176] <NA>
## [1177] <NA>
## [1178] <NA>
## [1179] <NA>
## [1180] <NA>
## [1181] <NA>
## [1182] <NA>
## [1183] <NA>
## [1184] <NA>
## [1185] <NA>
## [1186] <NA>
## [1187] <NA>
## [1188] <NA>
## [1189] <NA>
## [1190] <NA>
## [1191] <NA>
## [1192] <NA>
## [1193] <NA>
## [1194] <NA>
## [1195] <NA>
## [1196] <NA>
## [1197] <NA>
## [1198] <NA>
## [1199] <NA>
## [1200] <NA>
## [1201] <NA>
## [1202] <NA>
## [1203] <NA>
## [1204] <NA>
## [1205] <NA>
## [1206] <NA>
## [1207] <NA>
## [1208] <NA>
## [1209] <NA>
## [1210] <NA>
## [1211] <NA>
## [1212] <NA>
## [1213] <NA>
## [1214] <NA>
## [1215] <NA>
## [1216] <NA>
## [1217] <NA>
## [1218] <NA>
## [1219] <NA>
## [1220] <NA>
## [1221] <NA>
## [1222] <NA>
## [1223] <NA>
## [1224] <NA>
## [1225] <NA>
## [1226] <NA>
## [1227] <NA>
## [1228] <NA>
## [1229] <NA>
## [1230] <NA>
## [1231] <NA>
## [1232] <NA>
## [1233] <NA>
## [1234] <NA>
## [1235] <NA>
## [1236] <NA>
## [1237] <NA>
## [1238] <NA>
## [1239] <NA>
## [1240] <NA>
## [1241] Batman Forever (1995)
## [1242] <NA>
## [1243] <NA>
## [1244] <NA>
## [1245] <NA>
## [1246] <NA>
## [1247] <NA>
## [1248] <NA>
## [1249] <NA>
## [1250] <NA>
## [1251] <NA>
## [1252] <NA>
## [1253] <NA>
## [1254] <NA>
## [1255] <NA>
## [1256] <NA>
## [1257] <NA>
## [1258] <NA>
## [1259] <NA>
## [1260] <NA>
## [1261] <NA>
## [1262] <NA>
## [1263] <NA>
## [1264] <NA>
## [1265] <NA>
## [1266] <NA>
## [1267] <NA>
## [1268] <NA>
## [1269] <NA>
## [1270] <NA>
## [1271] <NA>
## [1272] <NA>
## [1273] <NA>
## [1274] <NA>
## [1275] <NA>
## [1276] <NA>
## [1277] <NA>
## [1278] <NA>
## [1279] <NA>
## [1280] <NA>
## [1281] <NA>
## [1282] <NA>
## [1283] <NA>
## [1284] <NA>
## [1285] <NA>
## [1286] <NA>
## [1287] <NA>
## [1288] <NA>
## [1289] <NA>
## [1290] <NA>
## [1291] <NA>
## [1292] <NA>
## [1293] <NA>
## [1294] <NA>
## [1295] <NA>
## [1296] <NA>
## [1297] <NA>
## [1298] <NA>
## [1299] <NA>
## [1300] <NA>
## [1301] <NA>
## [1302] <NA>
## [1303] <NA>
## [1304] <NA>
## [1305] <NA>
## [1306] <NA>
## [1307] <NA>
## [1308] <NA>
## [1309] <NA>
## [1310] <NA>
## [1311] <NA>
## [1312] <NA>
## [1313] <NA>
## [1314] <NA>
## [1315] <NA>
## [1316] <NA>
## [1317] <NA>
## [1318] <NA>
## [1319] <NA>
## [1320] <NA>
## [1321] <NA>
## [1322] <NA>
## [1323] <NA>
## [1324] <NA>
## [1325] <NA>
## [1326] <NA>
## [1327] <NA>
## [1328] <NA>
## [1329] <NA>
## [1330] <NA>
## [1331] <NA>
## [1332] <NA>
## [1333] <NA>
## [1334] <NA>
## [1335] <NA>
## [1336] <NA>
## [1337] <NA>
## [1338] <NA>
## [1339] <NA>
## [1340] <NA>
## [1341] <NA>
## [1342] <NA>
## [1343] <NA>
## [1344] <NA>
## [1345] <NA>
## [1346] <NA>
## [1347] <NA>
## [1348] <NA>
## [1349] <NA>
## [1350] <NA>
## [1351] <NA>
## [1352] <NA>
## [1353] <NA>
## [1354] <NA>
## [1355] <NA>
## [1356] <NA>
## [1357] <NA>
## [1358] <NA>
## [1359] <NA>
## [1360] <NA>
## [1361] <NA>
## [1362] <NA>
## [1363] <NA>
## [1364] <NA>
## [1365] <NA>
## [1366] <NA>
## [1367] <NA>
## [1368] <NA>
## [1369] <NA>
## [1370] <NA>
## [1371] <NA>
## [1372] <NA>
## [1373] <NA>
## [1374] <NA>
## [1375] <NA>
## [1376] <NA>
## [1377] <NA>
## [1378] <NA>
## [1379] <NA>
## [1380] <NA>
## [1381] <NA>
## [1382] <NA>
## [1383] <NA>
## [1384] <NA>
## [1385] <NA>
## [1386] <NA>
## [1387] <NA>
## [1388] <NA>
## [1389] <NA>
## [1390] <NA>
## [1391] <NA>
## [1392] <NA>
## [1393] <NA>
## [1394] <NA>
## [1395] <NA>
## [1396] <NA>
## [1397] <NA>
## [1398] <NA>
## [1399] <NA>
## [1400] <NA>
## [1401] <NA>
## [1402] <NA>
## [1403] <NA>
## [1404] <NA>
## [1405] <NA>
## [1406] <NA>
## [1407] <NA>
## [1408] <NA>
## [1409] <NA>
## [1410] <NA>
## [1411] <NA>
## [1412] <NA>
## [1413] <NA>
## [1414] <NA>
## [1415] <NA>
## [1416] <NA>
## [1417] <NA>
## [1418] <NA>
## [1419] <NA>
## [1420] <NA>
## [1421] <NA>
## [1422] <NA>
## [1423] <NA>
## [1424] <NA>
## [1425] <NA>
## [1426] <NA>
## [1427] <NA>
## [1428] <NA>
## [1429] <NA>
## [1430] <NA>
## [1431] <NA>
## [1432] <NA>
## [1433] <NA>
## [1434] <NA>
## [1435] <NA>
## [1436] <NA>
## [1437] <NA>
## [1438] <NA>
## [1439] <NA>
## [1440] <NA>
## [1441] <NA>
## [1442] <NA>
## [1443] <NA>
## [1444] <NA>
## [1445] <NA>
## [1446] <NA>
## [1447] <NA>
## [1448] <NA>
## [1449] <NA>
## [1450] <NA>
## [1451] <NA>
## [1452] <NA>
## [1453] <NA>
## [1454] <NA>
## [1455] <NA>
## [1456] <NA>
## [1457] <NA>
## [1458] <NA>
## [1459] <NA>
## [1460] <NA>
## [1461] <NA>
## [1462] <NA>
## [1463] <NA>
## [1464] <NA>
## [1465] <NA>
## [1466] <NA>
## [1467] <NA>
## [1468] <NA>
## [1469] <NA>
## [1470] <NA>
## [1471] <NA>
## [1472] <NA>
## [1473] <NA>
## [1474] <NA>
## [1475] <NA>
## [1476] <NA>
## [1477] <NA>
## [1478] <NA>
## [1479] <NA>
## [1480] <NA>
## [1481] <NA>
## [1482] <NA>
## [1483] <NA>
## [1484] <NA>
## [1485] <NA>
## [1486] <NA>
## [1487] <NA>
## [1488] <NA>
## [1489] <NA>
## [1490] <NA>
## [1491] <NA>
## [1492] <NA>
## [1493] <NA>
## [1494] <NA>
## [1495] <NA>
## [1496] <NA>
## [1497] <NA>
## [1498] <NA>
## [1499] <NA>
## [1500] <NA>
## [1501] <NA>
## [1502] <NA>
## [1503] <NA>
## [1504] <NA>
## [1505] <NA>
## [1506] <NA>
## [1507] <NA>
## [1508] <NA>
## [1509] <NA>
## [1510] <NA>
## [1511] <NA>
## [1512] <NA>
## [1513] <NA>
## [1514] <NA>
## [1515] <NA>
## [1516] <NA>
## [1517] <NA>
## [1518] <NA>
## [1519] <NA>
## [1520] <NA>
## [1521] <NA>
## [1522] <NA>
## [1523] <NA>
## [1524] <NA>
## [1525] <NA>
## [1526] <NA>
## [1527] <NA>
## [1528] <NA>
## [1529] <NA>
## [1530] <NA>
## [1531] <NA>
## [1532] <NA>
## [1533] <NA>
## [1534] <NA>
## [1535] <NA>
## [1536] <NA>
## [1537] <NA>
## [1538] <NA>
## [1539] <NA>
## [1540] <NA>
## [1541] <NA>
## [1542] <NA>
## [1543] <NA>
## [1544] <NA>
## [1545] <NA>
## [1546] <NA>
## [1547] <NA>
## [1548] <NA>
## [1549] <NA>
## [1550] <NA>
## [1551] <NA>
## [1552] <NA>
## [1553] <NA>
## [1554] <NA>
## [1555] <NA>
## [1556] <NA>
## [1557] <NA>
## [1558] <NA>
## [1559] <NA>
## [1560] <NA>
## [1561] <NA>
## [1562] <NA>
## [1563] <NA>
## [1564] <NA>
## [1565] <NA>
## [1566] <NA>
## [1567] <NA>
## [1568] <NA>
## [1569] <NA>
## [1570] <NA>
## [1571] <NA>
## [1572] <NA>
## [1573] <NA>
## [1574] <NA>
## [1575] <NA>
## [1576] <NA>
## [1577] <NA>
## [1578] <NA>
## [1579] <NA>
## [1580] <NA>
## [1581] <NA>
## [1582] <NA>
## [1583] <NA>
## [1584] <NA>
## [1585] <NA>
## [1586] <NA>
## [1587] <NA>
## [1588] <NA>
## [1589] <NA>
## [1590] <NA>
## [1591] <NA>
## [1592] <NA>
## [1593] <NA>
## [1594] <NA>
## [1595] <NA>
## [1596] <NA>
## [1597] <NA>
## [1598] <NA>
## [1599] <NA>
## [1600] <NA>
## [1601] <NA>
## [1602] <NA>
## [1603] <NA>
## [1604] <NA>
## [1605] <NA>
## [1606] <NA>
## [1607] <NA>
## [1608] <NA>
## [1609] <NA>
## [1610] <NA>
## [1611] <NA>
## [1612] <NA>
## [1613] <NA>
## [1614] <NA>
## [1615] <NA>
## [1616] <NA>
## [1617] <NA>
## [1618] <NA>
## [1619] <NA>
## [1620] <NA>
## [1621] <NA>
## [1622] <NA>
## [1623] <NA>
## [1624] <NA>
## [1625] <NA>
## [1626] <NA>
## [1627] <NA>
## [1628] <NA>
## [1629] <NA>
## [1630] <NA>
## [1631] <NA>
## [1632] <NA>
## [1633] <NA>
## [1634] <NA>
## [1635] <NA>
## [1636] <NA>
## [1637] <NA>
## [1638] <NA>
## [1639] <NA>
## [1640] <NA>
## [1641] <NA>
## [1642] <NA>
## [1643] <NA>
## [1644] <NA>
## [1645] <NA>
## [1646] <NA>
## [1647] <NA>
## [1648] <NA>
## [1649] <NA>
## [1650] <NA>
## [1651] <NA>
## [1652] <NA>
## [1653] <NA>
## [1654] <NA>
## [1655] <NA>
## [1656] <NA>
## [1657] <NA>
## [1658] <NA>
## [1659] <NA>
## [1660] <NA>
## [1661] <NA>
## [1662] <NA>
## [1663] <NA>
## [1664] <NA>
## [1665] <NA>
## [1666] <NA>
## [1667] <NA>
## [1668] <NA>
## [1669] <NA>
## [1670] <NA>
## [1671] <NA>
## [1672] <NA>
## [1673] <NA>
## [1674] <NA>
## [1675] <NA>
## [1676] <NA>
## [1677] <NA>
## [1678] <NA>
## [1679] <NA>
## [1680] <NA>
## [1681] <NA>
## [1682] <NA>
## 1664 Levels: 'Til There Was You (1997) ... Zeus and Roxanne (1997)