pandas中value_counts的用法

Pandas中的value_counts()是用来统计数据集中每个值出现的次数的函数。使用方法如下:

1. 首先导入pandas库
2. 建立一个数据框或者读取一个已有的数据框
3. 对某一列使用value_counts()函数，例如: df['column_name'].value_counts()

如果要对整个数据框使用value_counts()，可以使用:
df.value_counts()

通过设置参数normalize=True 可以得到频率。

例如:

import pandas as pd

data = {'Name': ['Tom', 'Jerry', 'Tom', 'Jerry', 'Tom'],
        'Age': [25, 30, 35, 30, 28]
        }

df = pd.DataFrame(data)
print(df)
#   Name  Age
#0   Tom   25
#1 Jerry   30
#2   Tom   35
#3 Jerry   30
#4   Tom   28

print(df['Name'].value_counts())
# Tom      3
# Jerry    2
# Name: Name, dtype: int64

相关问题

python pandas 输出value_counts统计出的出现次数最多的值

可以使用 `value_counts()` 函数的 `idxmax()` 方法来输出出现次数最多的值，如下所示：

import pandas as pd

# 创建一个示例Series
data = pd.Series([1, 2, 3, 3, 3, 4, 4, 5, 5, 5, 5])
print(data.value_counts().idxmax())  # 输出 5

在上面的示例中，首先使用 `value_counts()` 函数统计 Series 中每个值出现的次数，然后使用 `idxmax()` 方法获取出现次数最多的值。

pandas value_counts 详细用法

pandas中的value_counts()函数可以用于统计某一列中不同值出现的次数，它返回一个Series对象，其中包含每个不同值的计数。以下是它的详细用法：

DataFrame['column_name'].value_counts(
    normalize=False,
    sort=True,
    ascending=False,
    bins=None,
    dropna=True,
)

参数解释：

- normalize：设置为True时，返回每个不同值的百分比。
- sort：设置为True时，将结果按照计数值进行排序。
- ascending：设置为False时，将计数值从大到小排序。
- bins：设置为整数n时，将数据分为n个等宽的区间，并统计每个区间中不同值的计数。
- dropna：设置为False时，将包含NaN值的计数值也进行计算。

示例：

import pandas as pd

data = {'name': ['Tom', 'Jerry', 'Tom', 'Lucy', 'Jerry']}
df = pd.DataFrame(data)

# 统计name列中每个不同值出现的次数
value_counts = df['name'].value_counts()
print(value_counts)

# 按照计数值进行排序
sorted_counts = df['name'].value_counts().sort_values()
print(sorted_counts)

# 返回每个不同值的百分比
percent_counts = df['name'].value_counts(normalize=True)
print(percent_counts)

# 将数据分为3个等宽的区间，并统计每个区间中不同值的计数
binned_counts = df['name'].value_counts(bins=3)
print(binned_counts)

# 包含NaN值的计数值也进行计算
nan_counts = pd.Series(['Tom', 'Jerry', 'Tom', 'Lucy', None]).value_counts(dropna=False)
print(nan_counts)