世界视讯!Pandas统计计数value_counts()的使用
value_counts()方法返回一个序列Series,该序列包含每个值的数量(对于数据框中的任何列,value_counts()方法会返回该列每个项的计数)
value_counts()是Series拥有的方法,一般在DataFrame中使用时,需要指定对哪一列进行使用
(资料图)
语法
value_counts(values, sort=True, ascending=False, normalize=False, bins=None, dropna=True)
参数说明
sort: 是否要进行排序(默认进行排序,取值为True)ascending: 默认降序排序(取值为False),升序排序取值为Truenormalize: 是否要对计算结果进行标准化,并且显示标准化后的结果,默认是Falsebins: 可以自定义分组区间,默认是否dropna: 是否包括对NaN进行计数,默认不包括import pandas as pd import numpy as np df = pd.DataFrame({"City": ["北京", "广州", "深圳", "上海", "大连", "成都", "深圳", "厦门", "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"这一列的计数结果(对给定列里面的每个值进行计数并进行降序排序,缺失值nan也会被排除) # value_counts()并不是未带任何参数,而是所有参数都是默认的 res1 = df["City"].value_counts() # 2.查看"Revenue"这一列的计数结果(采用升序的方式) res2 = df["Revenue"].value_counts(ascending=True) # 3.查看"Age"这一列的计数占比(使用标准化normalize=True) res3 = df["Age"].value_counts(ascending=True,normalize=True) # 4.查看"Age"这一列的计数结果(展示NaN值的计数) res4 = df["Age"].value_counts(dropna=False) # 5.查看"Age"这一列的计数结果(不展示NaN值的计数) # res5 = df["Age"].value_counts() res5 = df["Age"].value_counts(dropna=True)
df
res1
res2
res3
res4
res5
到此这篇关于Pandas统计计数value_counts()的使用的文章就介绍到这了,更多相关Pandas统计计数value_counts()内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!
X 关闭
X 关闭
- 1转转集团发布2022年二季度手机行情报告:二手市场“飘香”
- 2充电宝100Wh等于多少毫安?铁路旅客禁止、限制携带和托运物品目录
- 3好消息!京东与腾讯续签三年战略合作协议 加强技术创新与供应链服务
- 4名创优品拟通过香港IPO全球发售4100万股 全球发售所得款项有什么用处?
- 5亚马逊云科技成立量子网络中心致力解决量子计算领域的挑战
- 6京东绿色建材线上平台上线 新增用户70%来自下沉市场
- 7网红淘品牌“七格格”chuu在北京又开一家店 潮人新宠chuu能红多久
- 8市场竞争加剧,有车企因经营不善出现破产、退网、退市
- 9北京市市场监管局为企业纾困减负保护经济韧性
- 10市场监管总局发布限制商品过度包装标准和第1号修改单