本文主要介紹了Pandas統(tǒng)計(jì)計(jì)數(shù)value_counts()的使用，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

value_counts()方法返回一個(gè)序列Series，該序列包含每個(gè)值的數(shù)量(對(duì)于數(shù)據(jù)框中的任何列，value_counts()方法會(huì)返回該列每個(gè)項(xiàng)的計(jì)數(shù))

value_counts()是Series擁有的方法，一般在DataFrame中使用時(shí)，需要指定對(duì)哪一列進(jìn)行使用

語法

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

參數(shù)說明

sort: 是否要進(jìn)行排序(默認(rèn)進(jìn)行排序,取值為True)
ascending: 默認(rèn)降序排序(取值為False)，升序排序取值為True
normalize: 是否要對(duì)計(jì)算結(jié)果進(jìn)行標(biāo)準(zhǔn)化，并且顯示標(biāo)準(zhǔn)化后的結(jié)果，默認(rèn)是False
bins: 可以自定義分組區(qū)間，默認(rèn)是否
dropna: 是否包括對(duì)NaN進(jìn)行計(jì)數(shù)，默認(rèn)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(jì)數(shù)結(jié)果(對(duì)給定列里面的每個(gè)值進(jìn)行計(jì)數(shù)并進(jìn)行降序排序，缺失值nan也會(huì)被排除)
# value_counts()并不是未帶任何參數(shù)，而是所有參數(shù)都是默認(rèn)的
res1 = df['City'].value_counts()
 
# 2.查看'Revenue'這一列的計(jì)數(shù)結(jié)果(采用升序的方式)
res2 = df['Revenue'].value_counts(ascending=True)
 
# 3.查看'Age'這一列的計(jì)數(shù)占比(使用標(biāo)準(zhǔn)化normalize=True)
res3 = df['Age'].value_counts(ascending=True,normalize=True)
 
# 4.查看'Age'這一列的計(jì)數(shù)結(jié)果(展示NaN值的計(jì)數(shù))
res4 = df['Age'].value_counts(dropna=False)
 
# 5.查看'Age'這一列的計(jì)數(shù)結(jié)果(不展示NaN值的計(jì)數(shù))
# res5 = df['Age'].value_counts()
res5 = df['Age'].value_counts(dropna=True)

df

res1

res2

res3

res4

res5

到此這篇關(guān)于Pandas統(tǒng)計(jì)計(jì)數(shù)value_counts()的使用的文章就介紹到這了,更多相關(guān)Pandas統(tǒng)計(jì)計(jì)數(shù)value_counts()內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: