pandas series.value-ag捕鱼王app官网

pandas.series.value_counts() 方法计算 series 中每个独特元素的出现次数。

pandas.series.value_counts() 语法

series.value_counts(normalize=false, 
                    sort=true, 
                    ascending=false, 
                    bins=none, 
                    dropna=true)

参数

返回值

它返回一个由唯一值的计数组成的 series 对象。

示例代码：使用 series.value_counts() 方法计算 pandas series 中唯一元素的频率

import pandas as pd
import numpy as np
df = pd.dataframe({'x': [1, 2, 3, np.nan, 3],
                   'y': [4, np.nan, 8, np.nan, 3]})
print("dataframe:")
print(df)
absolute_counts=df["x"].value_counts()
print("frequencies of elements of x column:")
print(absolute_counts)

输出：

dataframe:
     x    y
0  1.0  4.0
1  2.0  nan
2  3.0  8.0
3  nan  nan
4  3.0  3.0
frequencies of elements of x column:
3.0    2
2.0    1
1.0    1
name: x, dtype: int64 

series 对象 absolute_counts 使用 series.value_counts() 方法给出了列 x 中每个独特元素的计数。

series.value_counts() 默认不统计 nan。我们将在下面的章节中介绍如何计算它。

示例代码：在 series.value_counts() 方法中设置 normalize=true 来获得元素的相对频率

如果我们在 series.value_counts() 方法中设置 normalize=true，就可以得到 series 对象中所有独特元素的相对频率。

import pandas as pd
import numpy as np
df = pd.dataframe({'x': [1, 2, 3, np.nan, 3],
                   'y': [4, np.nan, 8, np.nan, 3]})
print("dataframe:")
print(df)
relative_counts=df["x"].value_counts(normalize=true)
print("relative frequencies of elements of x column:")
print(relative_counts)

输出：

dataframe:
     x    y
0  1.0  4.0
1  2.0  nan
2  3.0  8.0
3  nan  nan
4  3.0  3.0
frequencies of elements of x column:
3.0    0.50
2.0    0.25
1.0    0.25
name: x, dtype: float64

series 对象 relative_counts 给出了列 x 中每个独特元素的相对频率。

相对频率是由所有绝对频率除以绝对频率之和得到的。

示例代码：在 series.value_counts() 方法中设置 ascending=true，根据频率值按升序排列元素

如果我们在 series.value_counts() 方法中设置 ascending=true，就会得到 series 对象，其元素根据频率值按升序排序。

默认情况下，从 series.value_counts() 方法返回的 series 对象中的值是根据频率值降序排序的。

import pandas as pd
import numpy as np
df = pd.dataframe({'x': [1, 2, 3, np.nan, 3],
                   'y': [4, np.nan, 8, np.nan, 3]})
print("dataframe:")
print(df)
sorted_counts=df["x"].value_counts(ascending=true)
print("frequencies of elements of x column:")
print(sorted_counts)

输出：

dataframe:
     x    y
0  1.0  4.0
1  2.0  nan
2  3.0  8.0
3  nan  nan
4  3.0  3.0
frequencies of elements of x column:
1.0    1
2.0    1
3.0    2
name: x, dtype: int64

它给出了 x 列中每个唯一对象的计数，频率值按升序排列。

示例代码：在 series.value_counts() 方法中设置 bins 参数，获得位于半开分区的值的计数

import pandas as pd
import numpy as np
df = pd.dataframe({'x': [1, 2, 3, np.nan, 3, 4, 5],
                   'y': [4, np.nan, 8, np.nan, 3, 2, 1]})
print("dataframe:")
print(df)
counts=df["x"].value_counts(bins=3)
print("frequencies:")
print(counts)

输出：

dataframe:
     x    y
0  1.0  4.0
1  2.0  nan
2  3.0  8.0
3  nan  nan
4  3.0  3.0
5  4.0  2.0
6  5.0  1.0
frequencies:
(3.667, 5.0]      2
(2.333, 3.667]    2
(0.995, 2.333]    2
name: x, dtype: int64

它将 series，即 x 列中的数值范围分为三部分，并返回每个半开区间中的数值计数。

示例代码：在 series.value_counts() 方法中设置 dropna=false 为 nan 计数

如果我们在 series.value_counts() 方法中设置 dropna=false，我们也会得到 nan 值的计数。

import pandas as pd
import numpy as np
df = pd.dataframe({'x': [1, 2, 3, np.nan, 3],
                   'y': [4, np.nan, 8, np.nan, 3]})
print("dataframe:")
print(df)
counts=df["y"].value_counts(dropna=false)
print("frequencies:")
print(counts)

输出：

dataframe:
     x    y
0  1.0  4.0
1  2.0  nan
2  3.0  8.0
3  nan  nan
4  3.0  3.0
frequencies:
nan    2
3.0    1
8.0    1
4.0    1
name: y, dtype: int64

它给出了 dataframe 中 y 列中每个元素的数量与 nan 值的数量。