问题:单个变量的频率表
当天最后一个新手熊猫问题:如何为单个系列生成一张表?
例如:
my_series = pandas.Series([1,2,2,3,3,3])
pandas.magical_frequency_function( my_series )
>> {
1 : 1,
2 : 2,
3 : 3
}
大量的搜索使我进入了Series.describe()和pandas.crosstabs,但是这些都不满足我的需要:一个变量,按类别计数。哦,如果它适用于不同的数据类型(字符串,整数等),那就太好了。
回答 0
也许.value_counts()
吧?
>>> 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}
回答 1
您可以对数据框使用列表理解来计算列的频率,例如
[my_series[c].value_counts() for c in list(my_series.select_dtypes(include=['O']).columns)]
分解:
my_series.select_dtypes(include=['O'])
仅选择分类数据
list(my_series.select_dtypes(include=['O']).columns)
从上方将列转换为列表
[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
回答 2
@DSM提供的答案很简单明了,但是我想我将自己的输入添加到该问题中。如果查看pandas.value_counts的代码,将会发现发生了很多事情。
如果您需要计算多个序列的频率,则可能需要一段时间。更快的实现是将numpy.unique与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
注意这里返回的项目是pandas.Series
相比之下,numpy.unique
返回具有两个项目的元组,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}
然后变成 pandas.Series
print(pd.Series(results))
1 1
2 2
3 3
dtype: int64
回答 3
对于具有过多值的变量的频率分布,您可以将类中的值折叠起来,
在这里,我为employrate
变量设置了过多的值,并且没有直接频率分布的含义values_count(normalize=True)
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)
没有分类的频率分布,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
进行分类时,我们将所有值都放在一定范围内。
0-10为1 11-20为2 21-30为3,依此类推。
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,我们有一个清晰的频率分布。在这里我们可以很容易地看到,37.64%
一个国家的雇佣率介于51-60%
和11.79%
之间。71-80%
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