value_counts()方法返回一個(gè)序列Series，該序列包含每個(gè)值得數(shù)量(對(duì)于數(shù)據(jù)框中得任何列，value_counts()方法會(huì)返回該列每個(gè)項(xiàng)得計(jì)數(shù))

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

語(yǔ)法

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

參數(shù)說(shuō)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)化后得結(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 pdimport 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'這一列得計(jì)數(shù)結(jié)果(對(duì)給定列里面得每個(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)得res1 = df['City'].value_counts() # 2.查看'Revenue'這一列得計(jì)數(shù)結(jié)果(采用升序得方式)res2 = df['Revenue'].value_counts(ascending=True) # 3.查看'Age'這一列得計(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'這一列得計(jì)數(shù)結(jié)果(展示NaN值得計(jì)數(shù))res4 = df['Age'].value_counts(dropna=False) # 5.查看'Age'這一列得計(jì)數(shù)結(jié)果(不展示NaN值得計(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()得使用得內(nèi)容就介紹到這了,更多相關(guān)Pandas統(tǒng)計(jì)計(jì)數(shù)value_counts()內(nèi)容請(qǐng)搜索之家以前得內(nèi)容或繼續(xù)瀏覽下面得相關(guān)內(nèi)容希望大家以后多多支持之家！