Question

当天最后一个新手大熊猫问题：如何为单个系列生成一个表？

例如：

my_series = pandas.Series([1,2,2,3,3,3])
pandas.magical_frequency_function( my_series )

>> {
     1 : 1,
     2 : 2, 
     3 : 3
   }

很多谷歌搜索让我进入了Series.describe（）和pandas.crosstabs，但这些都不是我需要的：一个变量，按类别计算。哦，如果它适用于不同的数据类型会很好：字符串，整数等。

Answer 1

也许.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}

Answer 2

您可以在数据框上使用列表推导来计算列的频率

[my_series[c].value_counts() for c in list(my_series.select_dtypes(include=['O']).columns)]

故障：

my_series.select_dtypes(include=['O'])

仅选择分类数据

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)]

遍历上面的列表并将value_counts（）应用于每个列

Answer 3

@DSM提供的答案简单明了，但我想我会在这个问题上添加自己的输入。如果你查看pandas.value_counts的代码，你会发现有很多事情要发生。

如果您需要计算许多系列的频率，这可能需要一段时间。更快的实施方式是将numpy.unique与return_counts = True

一起使用

以下是一个例子：

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

请注意，返回的项目是pandas.Series

相比之下，numpy.unique会返回一个包含两个项目的元组，即唯一值和计数。

vals, counts = np.unique(my_series, return_counts=True)
print(vals, counts)
[1 2 3] [1 2 3]

然后您可以将它们组合成字典：

results = dict(zip(vals, counts))
print(results)
{1: 1, 2: 2, 3: 3}

然后进入pandas.Series

print(pd.Series(results))
1    1
2    2
3    3
dtype: int64

Answer 4

用于具有过多值的变量的频率分布您可以折叠类中的值，

在这里，我为employrate变量设置了过多的值，并且直接values_count(normalize=True)的频率分布没有意义

                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]

values_count(normalize=True)不分类的频率分布，结果长度为139（似乎无意义的频率分布）：

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

进行分类，我们将所有值都放在一定范围内。

0-10 as 1,
11-20 as 2  
21-30 as 3, and so forth.

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，我们具有清晰的频率分布。在这里我们可以很容易地看到，37.64%个国家/地区的雇用率在51-60%之间和11.79%个国家/地区的雇用率在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

单个变量的频率表

4 个答案: