pandas count

pandas count

在pandas中，count()函数可以用来统计指定列中非缺失值的个数。这在数据分析中非常常用，特别是在数据清洗阶段。本文将详细介绍count()函数的用法，并提供一些示例来帮助读者更好地了解这个函数。

count()函数的基本用法

count()函数是一个Series/DataFrame对象的方法，可以统计指定列中非缺失值的个数。下面是count()函数的基本语法：

Series.count(level=None, numeric_only=False)

参数说明：

• level：指定统计的层级，主要用于层次化索引的数据
• numeric_only：如果为True，则只计算数值类型的非缺失值个数

接下来，我们将通过一些示例来演示count()函数的用法。

示例一：统计单个列的非缺失值个数

首先，我们创建一个简单的DataFrame来演示count()函数的用法：

import pandas as pd

data = {'A': [1, 2, None, 4, 5],
        'B': [None, 2, 3, 4, 5],
        'C': [1, 2, 3, 4, 5]}
df = pd.DataFrame(data)

print(df)

运行以上代码，输出如下：

     A    B  C
0  1.0  NaN  1
1  2.0  2.0  2
2  NaN  3.0  3
3  4.0  4.0  4
4  5.0  5.0  5

现在，我们可以使用count()函数来统计每一列中非缺失值的个数：

print(df['A'].count())
print(df['B'].count())
print(df['C'].count())

输出如下：

4
4
5

从结果可以看出，列’A’和列’B’中都有一个缺失值，而列’C’没有缺失值。

示例二：统计多列的非缺失值个数

除了统计单个列的非缺失值个数，我们也可以同时统计多列的非缺失值个数。下面的示例演示如何统计多列的非缺失值个数：

print(df[['A', 'B']].count())

输出如下：

A    4
B    4
dtype: int64

示例三：统计DataFrame的非缺失值个数

如果我们想要统计整个DataFrame中非缺失值的个数，可以直接调用DataFrame对象的count()方法：

print(df.count())

输出如下：

A    4
B    4
C    5
dtype: int64

示例四：统计指定层级的非缺失值个数

如果我们的DataFrame具有层次化索引，我们可以通过level参数来指定需要统计的层级。下面的示例演示了如何统计指定层级的非缺失值个数：

data = {'A': [1, 2, None, 4, 5],
        'B': [None, 2, 3, 4, 5],
        'C': [1, 2, 3, 4, 5]}
df = pd.DataFrame(data, index=[['X', 'X', 'Y', 'Y', 'Z'], [1, 2, 1, 2, 1]])

print(df)

运行以上代码，输出如下：

       A    B  C
X 1  1.0  NaN  1
  2  2.0  2.0  2
Y 1  NaN  3.0  3
  2  4.0  4.0  4
Z 1  5.0  5.0  5

现在，我们可以使用level参数来指定需要统计的层级：

print(df['A'].count(level=0))  # 统计一级索引的非缺失值个数

输出如下：

X    2
Y    1
Z    1
Name: A, dtype: int64

总结

在数据分析中，count()函数是一个非常有用的函数，可以帮助我们快速统计数据中非缺失值的个数。通过本文的介绍和示例，相信读者对count()函数有了更深的理解。在实际应用中，读者可以根据自己的需求灵活运用count()函数来处理数据。