当前位置：极客教程 > Pandas > Pandas 问答 > Pandas 计算特定值的出现次数

Pandas 计算特定值的出现次数

Pandas 计算特定值的出现次数

在本文中，我们将介绍如何使用Pandas库计算一个DataFrame中特定值的出现次数。

假设我们有以下的DataFrame：

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3, 4, 5],
                   'B': ['a', 'a', 'b', 'c', 'c']})
Python

它长这样：

   A  B
0  1  a
1  2  a
2  3  b
3  4  c
4  5  c
Python

我们想知道’B’列中每个值出现的次数。这个时候，可以使用.value_counts()函数来实现：

value_counts = df['B'].value_counts()
Python

这一行代码将会返回一个Series，长这样：

a    2
c    2
b    1
Name: B, dtype: int64
Python

Series中每个值的行索引是DataFrame中’B’列的唯一值，而每个值的行数据是该值在’B’列中出现的次数。在这个例子中，我们可以发现’a’出现了两次，’c’出现了两次，而’b’仅出现了一次。

如果我们想在新的一列中为DataFrame添加这些值，可以使用.map()函数：

df['B_counts'] = df['B'].map(value_counts)
Python

这一行代码将会添加一个’B_counts’列到DataFrame中，它的每个值都是’B’列中对应唯一值出现的次数。结果如下：

   A  B  B_counts
0  1  a         2
1  2  a         2
2  3  b         1
3  4  c         2
4  5  c         2
Python

阅读更多：Pandas 教程

处理缺失值

当DataFrame中存在缺失值时，我们会遇到一些问题。如果一个值在’B’列中缺失，那么.value_counts()函数将不会统计它的出现次数。以以下的DataFrame为例：

df_missing = pd.DataFrame({'A': [1, 2, 3, 4, 5, 6],
                           'B': ['a', 'a', 'b', None, 'c', None]})
Python

它长这样：

   A     B
0  1     a
1  2     a
2  3     b
3  4  None
4  5     c
5  6  None
Python

如果我们仍使用.value_counts()函数，它将会返回以下的结果：

a    2
c    1
b    1
Name: B, dtype: int64
Python

我们可以发现，缺失值并没有被统计。为了解决这个问题，我们需要使用.fillna()函数将缺失值填充为一个非空值：

df_missing['B'] = df_missing['B'].fillna('missing')
value_counts = df_missing['B'].value_counts()
Python

这一行代码将会将缺失值全部填充为’missing’，然后计算值出现的次数。结果如下：

a         2
missing   2
c         1
b         1
Name: B, dtype: int64
Python

现在所有的值都被正确地统计了，’missing’出现了两次。

统计多列的值

如果我们想同时统计多个列出现的值，可以使用.melt()函数将DataFrame的多列转换为一列，并在新列中统计值的出现情况。以以下的DataFrame为例：

df_multi = pd.DataFrame({'A': [1, 2, 3, 4, 5],
                         'B': ['a', 'a', 'b', 'c', 'c'],
                         'C': ['x', 'y', 'y', 'z', 'z']})

它长这样：
Python

A B C
0 1 a x
1 2 a y
2 3 b y
3 4 c z
4 5 c z

假设我们想同时统计'B'和'C'列中的值，可以使用`.melt()`函数将这两列转换为一列，并在新列中统计值的出现情况：

```python
df_multi_melt = df_multi.melt(value_vars=['B', 'C'], var_name='Column', value_name='Value')
value_counts = df_multi_melt['Value'].value_counts()
Python

这一行代码将会把’B’和’C’列转换为一个名为’Column’的新列，同时保留每个值在原列中的来源，如下所示：

  Column Value
0      B     a
1      B     a
2      B     b
3      B     c
4      B     c
5      C     x
6      C     y
7      C     y
8      C     z
9      C     z
Python

然后我们可以使用.value_counts()函数统计’Value’列中每个值的出现次数：

z    2
a    2
y    2
c    2
b    1
x    1
Name: Value, dtype: int64
Python

我们可以发现，’a’和’c’在’B’和’C’列中各出现了一次，而’y’和’z’在’C’列中各出现了两次。

总结

本文介绍了如何使用Pandas库来计算DataFrame中特定值的出现次数。我们讨论了如何使用.value_counts()函数来统计单列和多列中每个值的出现次数，并且解决了处理缺失值时的问题。Pandas的强大功能可以帮助我们在处理数据时快速统计关键信息，为数据分析和处理提供便利。

Python教程

Python 教程

Python 教程
Tkinter 教程

Tkinter 教程
Pandas 教程

Pandas 教程
NumPy 教程

NumPy 教程
Flask 教程

Flask 教程
Django 教程

Django 教程
PySpark 教程

PySpark 教程
wxPython 教程

wxPython 教程
SymPy 教程

SymPy 教程
Seaborn 教程

Seaborn 教程
SciPy 教程

SciPy 教程
RxPY 教程

RxPY 教程
Pycharm 教程

Pycharm 教程
Pygame 教程

Pygame 教程
PyGTK 教程

PyGTK 教程
PyQt 教程

PyQt 教程
PyQt5 教程

PyQt5 教程
PyTorch 教程

PyTorch 教程
Matplotlib 教程

Matplotlib 教程
Web2py 教程

Web2py 教程
BeautifulSoup 教程

BeautifulSoup 教程

Java教程

Java 教程

Java 教程

Web教程

HTML 教程

HTML 教程
CSS 教程

CSS 教程
CSS3 教程

CSS3 教程
jQuery 教程

jQuery 教程
Ajax 教程

Ajax 教程
AngularJS 教程

AngularJS 教程
TypeScript 教程

TypeScript 教程
WordPress 教程

WordPress 教程
Laravel 教程

Laravel 教程
Next.js 教程

Next.js 教程
PhantomJS 教程

PhantomJS 教程
Three.js 教程

Three.js 教程
Underscore.JS 教程

Underscore.JS 教程
WebGL 教程

WebGL 教程
WebRTC 教程

WebRTC 教程
VueJS 教程

VueJS 教程

数据库教程

SQL 教程

SQL 教程
MySQL 教程

MySQL 教程
MongoDB 教程

MongoDB 教程
PostgreSQL 教程

PostgreSQL 教程
SQLite 教程

SQLite 教程
Redis 教程

Redis 教程
MariaDB 教程

MariaDB 教程

图形图像教程

Vulkan 教程

Vulkan 教程
OpenCV 教程

OpenCV 教程

大数据教程

R语言 教程

R语言 教程

开发工具教程

Git 教程

Git 教程
VSCode 教程

VSCode 教程
Docker 教程

Docker 教程
Gerrit 教程

Gerrit 教程
Excel 教程

Excel 教程

计算机教程

Go语言 教程

Go语言 教程
C++ 教程

C++ 教程

Pandas 精品教程

登录

找回密码？

注册