极客教程Pandas 将.value_counts的输出转为数据框
在数据分析和数据处理中，Pandas成为了一个非常有用的库。其中的.value_counts()函数可以非常方便的计算一个Series中每个不同值的数量。然而，当我们需要对这些值进行排序、筛选或其他更深入的操作时，我们通常需要将输出的结果转化成Pandas中的DataFrame类型。本文将介绍如何将.value_counts的输出转化为DataFrame。
阅读更多：Pandas 教程
1. 一个简单的.value_counts例子
为了说明如何将.value_counts转换为DataFrame，我们先来看一个简单的例子。假设我们有一个包含某个城市每个人年龄的Series，我们想计算每个年龄值出现的次数。我们可以这样做：
import pandas as pd
ages = pd.Series([23, 23, 25, 27, 30, 30, 31, 31, 31, 33])
age_counts = ages.value_counts()
print(age_counts)
输出：
31 3
30 2
23 2
33 1
27 1
25 1
dtype: int64
我们可以看到，value_counts返回了一个Series，其中每一行是每个不同年龄对应的计数。
2. 将.value_counts转为DataFrame
接下来，我们将介绍如何将上述输出转为DataFrame。Pandas中有一个非常方便的函数called to_frame()，可以将Series类型转为DataFrame。直接使用to_frame()函数即可将value_counts()的输出转为DataFrame：
df = age_counts.to_frame().reset_index()
df.columns = ['age', 'counts']
print(df)
输出：
age counts
0 31 3
1 30 2
2 23 2
3 33 1
4 27 1
5 25 1
要注意to_frame()函数将Series变为了DataFrame，但是原Series的值并没有发生变化。reset_index()将原Series的索引转化为列，这样我们就获得了年龄和对应的计数列。最后，我们将列名重命名为age和counts。
3. 按照计数对值进行排序
上面的例子已经展示了将.value_counts()的输出转为DataFrame。这里我们将介绍如何按照计数对值进行排序。在您的数据分析过程中，您可能会对出现次数最多的前几个结果感兴趣。这个时候，按照计数对它们进行排序就非常有用了。接下来的代码会将DataFrame按照计数从多到少进行排序：
df_sorted = df.sort_values(by='counts', ascending=False)
print(df_sorted)
输出：
age counts
0 31 3
1 30 2
2 23 2
3 33 1
4 27 1
5 25 1
我们可以看到，DataFrame已经按照计数排序了。
4. 使用.value_counts图形化数据
最后，我们介绍如何使用.value_counts()函数将结果图形化。相关函数是.plot()。再次使用年龄数据，将其转化为DataFrame以及按照计数排序：
import matplotlib.pyplot as plt
df = age_counts.to_frame().reset_index()
df.columns = ['age', 'counts']
df_sorted = df.sort_values(by='counts', ascending=False)
df_sorted.plot(x='age', y='counts', kind='bar', legend=False)
plt.xlabel('Age')
plt.ylabel('Counts')
plt.show()
总结
.value_counts()函数是Pandas的一个非常有用函数，可以方便地计算一个Series中每个不同值的数量。但很多时候，我们需要对这些值进行更深入的操作，比如排序、筛选等。可以使用Pandas的to_frame()函数将.value_counts()的输出转为DataFrame，从而方便对结果进行深入的操作和分析。另外，使用.plot()函数可以将结果可视化。这些函数的使用可以提高数据分析和处理的效率和准确性。