我该如何为单个Series生成频率表(或直方图)?例如,如果我有my_series = pandas.Series([1,2,2,3,3,3])
,那么如何获得类似于{1: 1, 2: 2, 3: 3}
的结果-即每个值出现的次数计数在 Series
中?
我该如何为单个Series生成频率表(或直方图)?例如,如果我有my_series = pandas.Series([1,2,2,3,3,3])
,那么如何获得类似于{1: 1, 2: 2, 3: 3}
的结果-即每个值出现的次数计数在 Series
中?
.value_counts()
?>>> import pandas
>>> my_series = pandas.Series([1,2,2,3,3,3, "fred", 1.8, 1.8])
>>> my_series
0 1
1 2
2 2
3 3
4 3
5 3
6 fred
7 1.8
8 1.8
>>> counts = my_series.value_counts()
>>> counts
3 3
2 2
1.8 2
fred 1
1 1
>>> len(counts)
5
>>> sum(counts)
9
>>> counts["fred"]
1
>>> dict(counts)
{1.8: 2, 2: 2, 3: 3, 1: 1, 'fred': 1}
[my_series[c].value_counts() for c in list(my_series.select_dtypes(include=['O']).columns)]
故障分析:
my_series.select_dtypes(include=['O'])
选择仅为分类数据
list(my_series.select_dtypes(include=['O']).columns)
将上面的列转换为列表。[my_series[c].value_counts() for c in list(my_series.select_dtypes(include=['O']).columns)]
遍历上面的列表,对每一列应用value_counts()
return_counts = True
这是一个例子:import pandas as pd
import numpy as np
my_series = pd.Series([1,2,2,3,3,3])
print(my_series.value_counts())
3 3
2 2
1 1
dtype: int64
numpy.unique
返回一个包含两个元素的元组,分别为唯一值和计数。vals, counts = np.unique(my_series, return_counts=True)
print(vals, counts)
[1 2 3] [1 2 3]
results = dict(zip(vals, counts))
print(results)
{1: 1, 2: 2, 3: 3}
然后转换为 pandas.Series
print(pd.Series(results))
1 1
2 2
3 3
dtype: int64
对于具有过多值的变量频率分布,您可以将值合并到类中。
在这里,我针对employrate
变量的过多值进行了处理,直接使用values_count(normalize=True)
无法获得其频率分布的含义。
country employrate alcconsumption
0 Afghanistan 55.700001 .03
1 Albania 11.000000 7.29
2 Algeria 11.000000 .69
3 Andorra nan 10.17
4 Angola 75.699997 5.57
.. ... ... ...
208 Vietnam 71.000000 3.91
209 West Bank and Gaza 32.000000
210 Yemen, Rep. 39.000000 .2
211 Zambia 61.000000 3.56
212 Zimbabwe 66.800003 4.96
[213 rows x 3 columns]
使用values_count(normalize=True)
进行频率分布,没有分类,结果长度为139(作为频率分布似乎没有意义):
print(gm["employrate"].value_counts(sort=False,normalize=True))
50.500000 0.005618
61.500000 0.016854
46.000000 0.011236
64.500000 0.005618
63.500000 0.005618
58.599998 0.005618
63.799999 0.011236
63.200001 0.005618
65.599998 0.005618
68.300003 0.005618
Name: employrate, Length: 139, dtype: float64
将分类应用于所有具有特定范围的值,例如:
0-10作为1, 11-20作为2, 21-30作为3,以此类推。
gm["employrate"]=gm["employrate"].str.strip().dropna()
gm["employrate"]=pd.to_numeric(gm["employrate"])
gm['employrate'] = np.where(
(gm['employrate'] <=10) & (gm['employrate'] > 0) , 1, gm['employrate']
)
gm['employrate'] = np.where(
(gm['employrate'] <=20) & (gm['employrate'] > 10) , 1, gm['employrate']
)
gm['employrate'] = np.where(
(gm['employrate'] <=30) & (gm['employrate'] > 20) , 2, gm['employrate']
)
gm['employrate'] = np.where(
(gm['employrate'] <=40) & (gm['employrate'] > 30) , 3, gm['employrate']
)
gm['employrate'] = np.where(
(gm['employrate'] <=50) & (gm['employrate'] > 40) , 4, gm['employrate']
)
gm['employrate'] = np.where(
(gm['employrate'] <=60) & (gm['employrate'] > 50) , 5, gm['employrate']
)
gm['employrate'] = np.where(
(gm['employrate'] <=70) & (gm['employrate'] > 60) , 6, gm['employrate']
)
gm['employrate'] = np.where(
(gm['employrate'] <=80) & (gm['employrate'] > 70) , 7, gm['employrate']
)
gm['employrate'] = np.where(
(gm['employrate'] <=90) & (gm['employrate'] > 80) , 8, gm['employrate']
)
gm['employrate'] = np.where(
(gm['employrate'] <=100) & (gm['employrate'] > 90) , 9, gm['employrate']
)
print(gm["employrate"].value_counts(sort=False,normalize=True))
分类后,我们有了清晰的频率分布。
在这里,我们可以轻松地看到,37.64%
的国家就业率在51-60%
之间,
而11.79%
的国家就业率在71-80%
之间。
5.000000 0.376404
7.000000 0.117978
4.000000 0.179775
6.000000 0.264045
8.000000 0.033708
3.000000 0.028090
Name: employrate, dtype: float64
.value_counts().sort_index(1)
将数据按照第一列的顺序进行排序,避免第一列数据的顺序可能会略微失调。 - smcipd.value_counts(df.values.ravel())
,它返回一个系列,其index
和values
属性分别包含唯一元素及其计数。 - Nickil Maveli