pandas计数函数：value_counts( )和counts( )的使用

介绍一下如何在python里使用value_counts( )和counts( )进行计数。

一、counts( )函数

1、count()在字符串里的使用

函数体及主要参数：

count(str,start=0 ,end=len(string)

str：要搜索的子字符串

start：开始搜索的位置，默认是0，也就是从第一个字符开始搜索。

end：结束搜索的位置，默认在最后一个字符停止搜索。

实验一下~

首先我们还是先构建一个字符串：

df_str="abcabcdabcdeab5343实验字符串串串串"
df_str

统计一下字符“a”的个数：

统计一下字符“3”的个数：

统计一下字符“串”的个数：

题外小知识：

输出结果的时候，其实L更推荐使用format（）函数进行输出，这也是一种更实用的输出方式，类似上面的输出结果，我们可以用format( )进行更高级的输出：

print("统计一下字符 'a' 的个数: \n{}".format(df_str.count('a')))

等以后有空再写一篇关于输入输出的文章~

2、count( )在列表里的使用

创建一个实验列表：

a=[1,2,3,4,5,4,4,4,2,'a','b','a','子','子']

大家注意看下面6种情况下，不同的输出结果:

也就是说在使用的时候，要根据数值类型的不同，正确区别字符。

二、value_counts( )函数

在pandas中，value_counts常用于数据表的计数及排序，它可以用来查看数据表中，指定列里有多少个不同的数据值，并计算每个不同值有在该列中的个数，同时还能根据需要进行排序。

函数体及主要参数：

value_counts(values,sort=True, ascending=False, normalize=False,bins=None,dropna=True)

sort=True：是否要进行排序；默认进行排序
ascending=False： 默认降序排列；
normalize=False：是否要对计算结果进行标准化并显示标准化后的结果，默认是False。
bins=None： 可以自定义分组区间，默认是否；
dropna=True：是否删除缺失值nan，默认删除

首先，我们还是先创建一个数据表：

import pandas as pd
import numpy as np
df = pd.DataFrame({'城市':['北京','广州', '天津', '上海', '杭州', '成都', '澳门', '南京','北京','北京'], '收入':[10000, 10000, 5000, 5002, 40000, 50000, 8000, 5000,5000,5000],'年龄':[50, 43, 34, 40, 25, 25, 45, 32,25,25]})
df.set_index([["一","二","三","四","五","六","七","八","九","十"]],inplace=True)
df

（1）查看“城市”这一列的计数结果：

可以看到，默认降序排列；

（2）采用升序的方式，查看“收入”这一列：

df['收入'].value_counts(ascending=True)

（3）使用标准化normalize=True的方法，查看“年龄”这一列的计数占比：

df['年龄'].value_counts(ascending=True,normalize=True)

PS：缺失值是默认被删除的，也就是不被计算其中~

而且，如果要计数的对象是numpy里的ndarray类型的话，可以用size的方法，同样可以达到上述的效果，这里就不举例了~