本教程将解释如何使用Pandas的value_counts方法来计算Python数据框中的数值。

它解释了value_counts的作用，语法如何工作，并提供了逐步的例子。

如果你需要特定的东西，你可以点击以下任何一个链接。

目录。

好的。 让我们来了解一下细节。

首先，让我们先解释一下value_counts技术的作用。

本质上，value_counts是对一个Pandas对象的_唯一值进行计数_。 我们经常使用这种技术在Python中进行数据处理和数据探索。

value_counts 方法实际上会对几种不同类型的 Pandas 对象起作用。

说到这里，你如何使用value_counts方法，将根据你所操作的对象的类型而略有不同。

此外，还有一些可选的参数，你可以使用它们来改变value_counts的作用。

既然如此，我们来看看语法。

好的。 让我们来看看潘达斯value_counts技术的语法。

在这里，我将把它分成不同的部分，所以我们可以看看如何在系列对象上使用value_counts的语法，以及如何在数据帧上使用value count。

下面的语法解释假设你已经导入了Pandas，并且你已经创建了一个Pandas数据框或Pandas系列。

你可以用这个代码导入Pandas。

关于数据框架的更多信息，你可以阅读我们对Pandas数据框架的介绍。

首先，让我们看一下如何在数据框架上使用value_counts的语法。

这真的很简单。 你只需输入数据框架的名称，然后.value_counts() 。

当你在一个数据框架上使用value_counts时，它将计算_每一列_的唯一值组合的记录数。

这可能是比你想要的更多的信息，最好是将数据框架细分到只有几列。 我将在例子部分向你展示一些这方面的例子。

此外，还有一些你可以使用的可选参数，它们将修改方法的行为。 我将在参数部分向你展示这些参数。

接下来，让我们看一下在系列对象上使用value_counts的语法。

系列的语法与数据框架的语法几乎相同。

你只需输入系列对象的名称，然后.value_counts() 。

此外，还有一些你可以使用的可选参数，我们将在参数部分讨论。

最后，让我们看看如何在数据框架内的_列上_使用value_counts。

记住：单个数据框架_列是_Series对象。

所以要在一个列上调用value_counts，我们首先使用 "点语法 "来检索一个单独的列。 例如，如果你的数据框架被命名为your_dataframe ，而你想检索的列被称为column ，你将开始键入your_dataframe.column 。

之后，你只需输入.value_counts() ，该方法将检索出该列的唯一值的数量。

再一次，有一些额外的参数，你可以用来改变value_counts的工作方式。

让我们看一下这些参数。

Pandas的value_counts技术有几个参数，你可以使用这些参数来改变该技术的工作方式和具体的工作内容。

此外，还有bins 这个参数，我很少使用，这里就不讨论了。

值得注意的是，所有这些参数都是_可选的。_

还需要注意的是，这些参数中的大多数--ascending,sort, 和normalize --都是用于系列语法和数据框架语法的。

另一方面，subset ，只有当你在数据框架上使用value_counts时才可用，而dropna ，只有当你在系列上使用value_counts时才可用。

说了这么多，让我们来单独看看这些参数中的每一个。

默认情况下，value_counts将按数字计数_降序_对数据进行排序。

升序参数使你可以改变这一点。

当你设置ascending = True ，value counts将按照从低到高的计数对数据进行排序（即升序）。

我将在例4中向你展示这个例子。

排序参数控制输出的排序方式。

默认情况下，value_counts按_数字计数_对数据进行排序。

你可以通过设置sort = False 来改变这一点，并按类别对数据进行排序。

我将在例5中向你展示这个例子。

normalize 参数改变了输出的形式。

默认情况下，value_counts显示的是唯一值的数量。

但是如果你设置了normalize = True ，value_counts将显示_总记录的比例_而不是原始计数。

我将在例6中向你展示这个例子。

当你在数据框架上使用value_counts时，subset 参数使你能够指定一个应用value_counts的列的子集。

这个参数的参数应该是一个列名的列表（或类似列表的对象）。

因此，例如，如果你想在数据框架中对var_1 和var_2 使用数值统计，你可以使用代码your_dataframe.value_counts(subset = ['val_1','var_2']) 。

注意：同样，这个参数在你对整个数据框架使用value_counts时起作用。

我将在例子7中向你展示这个例子。

dropna 参数使你能够显示'NA'值（即NaN 值）。

你可以通过设置dropna = False 来做到这一点。

注意：这个参数只适用于Pandas系列对象和单个数据框架列。 如果你在整个数据框架上使用value_counts，这个参数将不起作用。

我将在例子2中向你展示这个例子。

现在我们已经看过了语法，让我们来看看一些如何使用value_counts技术的例子。

例子。

在你运行这些例子之前，你需要运行一些初步代码，以便。

让我们一次完成这些。

首先，让我们导入两个我们需要的包。

具体来说，我们需要导入Pandas和Seaborn。

你可以用下面的代码来做。

很明显，我们需要Pandas来使用value_counts() 技术。 但我们也需要Seaborn，因为我们将使用titanic dataframe，我们可以从Seaborn的预装数据集中加载。

接下来，让我们来获取我们要使用的数据框架。

在下面的例子中，我们将使用titanic 数据集，或者它的一些子集。

所以在这里，让我们从Seaborn加载数据集。

此外，让我们把它打印出来，这样我们就可以看到它的内容。

输出。

这个数据框架中有15列，如果我们使用value_counts()技术，这将是一个有点困难的工作。

也就是说，让我们快速创建一个子集，我们可以在一些例子中使用。

现在，让我们创建一个titanic 数据框架的子集。

这里，我们将创建一个包含两个变量的子集：sex 和embarked 。

为了对这两个变量进行子集，我们将使用Pandas的过滤方法。

对于我们的一些例子来说，这个子集会更容易操作，因为它只有两个变量。

首先，让我们在一个单列上使用value_counts技术。

在这里，我们将在titanic 数据框架中的embarked 变量上使用value_counts。

让我们运行代码，然后我将解释。

输出。

执行这个操作的代码是一行代码，但从某种意义上说，它是一个两步的过程。

在这段代码中，我们正在。

因此，我们正在用代码titanic.embarked 检索embarked 变量。

但在这之后，我们用.value_counts() 来调用值计数方法。

在输出中，你可以看到embarked 变量的唯一值 -S,C, 和Q - 以及与每个值相关的计数。

接下来，让我们在输出中包括'NA'值（即NaN ）。 这将使我们能够看到该变量的 "缺失 "值的数量，如果有的话。

请记住，在这里，我们仍然要对一个单一的数据框架变量进行操作。

输出。

在这里，我们调用了value_counts() ，就像我们在例子1中做的那样。

唯一的区别是，我们在括号内加入了代码dropna = False 。

正如你在输出中看到的，现在有一个NaN （即 "缺失 "值）的数量。

如果你需要识别缺失的值来清理它们，这可能会很有用，等等。

注意：只有当你在Pandas系列或数据框架列上使用value_counts()时，这才能发挥作用。 如果你试图在整个潘达斯数据框架上使用value_counts()，它将_不会_起作用（如例子3）。

在上两个例子中，我们在一个数据框架的_单列_上使用value_counts（即一个Pandas系列对象）。

现在，让我们在整个数据框架上使用value_counts。

在这里，我们将在titanic_subset 数据框上使用数值计数。 (记住，我们之前创建了这个子集。 它只有两个变量，以使它更容易操作）。)

好的。 让我们运行代码。

输出。

这真的很简单。

要做到这一点，我们只需输入数据框架的名称，然后.value_counts() 。

你可以看到，输出是对数据框架中变量的唯一组合的计数。

请注意，输出是按降序排序的。 这是默认的，但我们也可以改变它，我们将在下一个例子中这样做。

在这个例子中，我们将以升序对输出进行排序。

请记住，默认情况下，value_counts是按_降序_排序的。

但我们可以通过ascending 参数改变这一行为。

让我们看一下。

OUT:

在这里，我们看到了数据框中唯一的数值组合的计数。

但是现在，因为我们设置了ascending = True ，所以输出是按升序排序的......是从低到高排序的。

现在，让我们完全删除排序。

要做到这一点，我们将用sort = False 来调用这个方法。

OUT。

注意在输出中，数据不是按数值计数（即数字）排序的。

相反，数据是按类别排序的。 两个变量中唯一的分类值是按字母顺序排序的。

我个人认为这更容易阅读，但这确实取决于你在做什么。

可能在某些应用中这样做更好，也可能在某些情况下按数字计数排序会更好（比如默认行为）。

在任何情况下，你都有一个选择。

在这个例子中，我们来计算每个独特的数值组合的比例。

在前面的例子中，value_counts 提供了一个数值的计数。

在这里，我们将告诉value_counts 计算总记录的百分比，使用normalize 参数。

OUT。

这里的输出与例3的输出有些类似，即按频率降序排序。

但是它不是显示每个独特的类别组合的原始计数，而是显示比例。 注意，如果你把所有的数字加起来，它们加起来就是1。

因此，这些数字再次代表了每个独特组合在总记录中所占的比例。

在前面的例子中，我已经向你展示了如何在pandas Series、小型Pandas数据框架（只有2列）或单个数据框架列上使用value_counts。

这里，我将向你展示如何操作一个有许多列的大型数据框架。

但是我们将使用subset 参数来减少输出的大小和复杂性。

所以在这里，我们将操作完整的titanic 数据框架，它有15列。 我们将使用subset 参数，只对其中的两个变量进行操作：sex 和embarked 。

让我们看一下。

OUT。

在这里，我们正在处理完整的titanic 数据集。 记住：这是有15个变量的完整数据集（而不是较小的titanic_subset 数据框，它只有2个变量）。

因此，在这里，我们正在使用带有15个变量的完整的titanic 数据框架，并且只对2个变量使用value_counts。 要做到这一点，我们要设置subset = ['sex','embarked'] 。

请注意，在语法上，我们想要包含的每个变量都是以字符串的形式出现的（在引号内）。 而变量名的集合被组织成一个Python列表。

现在你已经了解了 value_counts 并看到了一些例子，让我们回顾一下一些常见问题。

经常问的问题。

很遗憾，不能。

dropna参数对于识别缺失值非常有用，但不幸的是，你只能在对单一数据框架列或Pandas系列进行操作时使用这个参数。

你对Pandas的value_counts技术还有其他问题吗？

是否有一些我在这里没有涉及到的问题让你纠结？

如果是，请在下面的评论区留下你的问题。

这个教程应该已经帮助你理解了value_counts技术，以及它是如何工作的。

但如果你想掌握用Pandas进行数据清洗和数据处理的方法，还有很多东西需要学习。

如果你想更广泛地学习Python中的数据科学，甚至还有更多的东西需要学习。

也就是说，如果你已经准备好学习更多关于Pandas和Python中的数据科学，那么请注册我们的电子邮件列表。

当你注册时，你会得到以下方面的免费教程。

我们每周都会发布免费的数据科学教程。 当你注册我们的电子邮件列表时，我们将把这些免费教程直接送到你的收件箱。

.et_bloom .et_bloom_optin_7 .et_bloom_form_content { 背景色。#999999 !important; } .et_bloom .et_bloom_optin_7 .et_bloom_form_container .et_bloom_form_header { 背景色。#2a2b2d !important; } .et_bloom .et_bloom_optin_7 .carrot_edge .et_bloom_form_content:before { border-top-color:#2a2b2d !important; } .et_bloom .et_bloom_optin_7 .carrot_edge.et_bloom_form_right .et_bloom_form_content:before, .et_bloom .et_bloom_optin_7 .carrot_edge.et_bloom_form_left .et_bloom_form_content:before { border-top-color : transparent !important; border-left-color:#2a2b2d !important; } @media only screen and ( max-width: 767px ) {.et_bloom .et_bloom_optin_7 .carrot_edge.et_bloom_form_right .et_bloom_content:before { border-top-color:#2a2b2d !important; border-left-color: transparent !important; }.et_bloom .et_bloom_optin_7 .carrot_edge.et_bloom_form_left .et_bloom_form_content:after { border-bottom-color :#2a2b2d !important; border-left-color: transparent !important; }.et_bloom .et_bloom_optin_7 .et_bloom_form_content button { 背景色。#4598ab !important; } .et_bloom .et_bloom_optin_7 .et_bloom_form_content .et_bloom_fields i { color:#4598ab !important; } .et_bloom .et_bloom_optin_7 .et_bloom_form_content .et_bloom_custom_field_radio i: before { background:#4598ab !important; } .et_bloom .et_bloom_optin_7 .et_bloom_form_content button { background-color:#4598ab !important; } .et_bloom .et_bloom_optin_7 .et_bloom_form_container h2, .et_bloom .et_bloom_optin_7 .et_bloom_form_container h2 span, .et_bloom .et_bloom_optin_7 .et_bloom_form_container h2 strong { 字体-family:"Open Sans", Helvetica, Arial, Lucida, sans-serif; }.et_bloom .et_bloom_optin_7 .et_bloom_form_container p, .et_bloom .et_bloom_optin_7 .et_bloom_form_container p span, .et_bloom .et_bloom_optin_7 .et_bloom_form_container p strong, .et_bloom .et_bloom_optin_7 .et_bloom_form_container form input, .et_bloom .et_bloom_optin_7 .et_bloom_form_container form button span{字体:"Open Sans", Helvetica, Arial, Lucida, sans-serif; }

如果你想快速掌握数据科学，请注册我们的电子邮件列表。

当你注册时，你将会收到每周免费的关于如何用R和Python进行数据科学的教程。

给我免费的教程!