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)