海洋是地球上最广阔的领域之一，它给人类带来了许多启迪和灵感。因此，在汉语中，有很多带有“海”字的四字成语，这些成语具有很强的意象和寓意。下面，我们就来一起了解一下这些成语。

第一组是“海阔天空”。这个成语用来形容人的心胸开阔，志向远大，思想深邃。它源于苏轼的《赤壁赋》：“且如今年冬，未有霜雪，而先有梅花之妍者，此之谓也。 ‘东篱把酒，‘ ‘ ‘ ‘ ‘ ‘ ‘ ‘ ‘ ‘ ‘ ‘ ‘ ‘ ‘ ‘ ‘ ‘‘ ‘ ‘ ‘ ‘ ‘ ‘ ‘ ‘ ‘ ‘‘ ‘ ‘ ‘ ‘‘ ‘ ‘‘‘ ‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘ ‘‘‘ ‘‘ ‘‘‘‘ ‘‘‘ ‘‘‘‘‘ ‘‘‘ ‘‘‘‘‘ ‘‘‘ ‘‘‘‘‘ ‘‘‘‘ ‘‘‘‘‘‘‘‘ ‘‘‘‘‘‘‘‘‘‘‘ ‘‘‘‘ ‘‘‘‘ ‘‘‘‘‘‘ ‘‘‘‘ ‘‘‘‘ ‘‘‘‘‘ ‘‘‘‘‘‘‘‘ ‘‘‘‘‘‘‘‘‘‘‘‘‘ ‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘ ‘‘‘‘‘ ‘‘‘‘‘‘‘‘‘‘‘‘‘‘ ‘‘‘‘‘‘‘ ‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘ ‘‘‘‘‘‘‘‘‘‘‘‘‘‘ ‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘ ‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘ ‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘ ‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘ ‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘ ‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘ ‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘ ‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘ ‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘ ‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘a’ and ‘a’ are the same and ‘A’ and ‘a’ are not the same). One way to overcome this problem is to lowercase the column names.

Let’s create a function that will clean the column names.

Here are the steps we will follow:

- make all the column names lowercase

- change the spaces to underscores

- remove the word ‘the’ from beginning of the names

We’ll do the same for the second DataFrame, use .info() to check for any missing values, and then join the two DataFrames.

### Instructions

1. Convert the column names in `movies` to all lowercase and replace spaces with underscores. Assign the result back to `movies`.

2. Convert the column names in `ratings` to all lowercase and replace spaces with underscores. Assign the result back to `ratings`.

3. Use the `pd.merge()` function to merge `movies` and `ratings` on the column ‘movie_id’ and assign the result to `movies_ratings`.

**Note**: The `pd.merge()` function is used to join two dataframes together based on the `on` parameter. In this case, we're joining `movies` and `ratings` on the `movie_id` column. The `how` parameter specifies the type of join to perform. We'll use an inner join to include only rows present in both dataframes. The `left_on` and `right_on` parameters are used to specify columns with different names in the two dataframes we're joining.

The result of the merge will contain all of the columns from both `movies` and `ratings`. The `movie_id` column will be duplicated in the result, but we can drop one of them using the `drop()` method. Finally, we'll use the `head()` and `info()` methods to inspect the merged dataframe.

## Answer

```python

movies.columns = ['movie_id', 'title', 'genre']

ratings.columns = ['critic', 'title', 'rating']

movies_ratings = pd.merge(movies, ratings, on='title', how='inner')

movies_ratings = movies_ratings.drop('movie_id_y', axis=1)

movies_ratings.columns = ['movie_id', 'title', 'genre', 'critic_rating']

print(movies_ratings.head())

print(movies_ratings.info())

```