value_counts(values,
             sort=True, 
             ascending=False,
             normalize=False,
             bins=None,
             dropna=True)

參數說明

sort: 是否要進行排序(默認進行排序,取值為True)
ascending: 默認降序排序(取值為False)，升序排序取值為True
normalize: 是否要對計算結果進行標準化，并且顯示標準化后的結果，默認是False
bins: 可以自定義分組區(qū)間，默認是否
dropna: 是否包括對NaN進行計數，默認不包括

import pandas as pd
import numpy as np
 
df = pd.DataFrame({'City': ['北京', '廣州', '深圳', '上海', '大連', '成都', '深圳', '廈門', '北京', '北京', '上海', '珠海'],
                   'Revenue': [10000, 10000, 5000, 5000, 40000, 50000, 8000, 5000, 5000, 5000, 10000, 12000],
                   'Age': [50, 43, 34, 40, 25, 25, 45, 32, 25, 25, 34, np.nan]})
 
# 1.查看'City'這一列的計數結果(對給定列里面的每個值進行計數并進行降序排序，缺失值nan也會被排除)
# value_counts()并不是未帶任何參數，而是所有參數都是默認的
res1 = df['City'].value_counts()
 
# 2.查看'Revenue'這一列的計數結果(采用升序的方式)
res2 = df['Revenue'].value_counts(ascending=True)
 
# 3.查看'Age'這一列的計數占比(使用標準化normalize=True)
res3 = df['Age'].value_counts(ascending=True,normalize=True)
 
# 4.查看'Age'這一列的計數結果(展示NaN值的計數)
res4 = df['Age'].value_counts(dropna=False)
 
# 5.查看'Age'這一列的計數結果(不展示NaN值的計數)
# res5 = df['Age'].value_counts()
res5 = df['Age'].value_counts(dropna=True)

df