Pandas Series.value_counts() 函数
Suraj Joshi
2023年1月30日
2020年6月17日
-
pandas.Series.value_counts()语法 -
示例代码：使用
Series.value_counts()方法计算 Pandas Series 中唯一元素的频率 -
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 -
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 -
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 -
示例代码：在
Series.value_counts()方法中设置dropna=False为NaN计数
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
normalize |
布尔型。唯一值的相对频率(normalize=True)或唯一值的绝对频率(normalize=False) |
sort |
布尔型。根据频率对元素进行排序(sort=True)或不对系列对象进行排序(sort=False) |
ascending |
布尔型。按升序(ascending=True)或降序(ascending=False)排序 |
bins |
整数。Series 对象的数值范围被划分的分区数 |
dropna |
布尔型。包括 NaN(dropna=False)的计数或不包括 NaN(dropna=True)的计数 |
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。
Author: Suraj Joshi
Suraj Joshi is a backend software engineer at Matrice.ai.
LinkedIn