柚子快報邀請碼778899分享：Pandas | value

http://yzkb.51969.com/

value_counts()?函數(shù)得作用

用來統(tǒng)計數(shù)據(jù)表中，指定列里有多少個不同的數(shù)據(jù)值，并計算每個不同值有在該列中的個數(shù)，同時還能根據(jù)指定得參數(shù)返回排序后結(jié)果。 返回得是Series對象

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

sort=True： 是否要進(jìn)行排序；默認(rèn)進(jìn)行排序 ascending=False： 默認(rèn)降序排列； normalize=False： 是否要對計算結(jié)果進(jìn)行標(biāo)準(zhǔn)化并顯示標(biāo)準(zhǔn)化后的結(jié)果，默認(rèn)是False。 bins=None： 可以自定義分組區(qū)間，默認(rèn)是否 dropna=True：是否刪除缺失值nan，默認(rèn)刪除

數(shù)據(jù)集：

要求：統(tǒng)計不同lable出現(xiàn)得次數(shù)

任何參數(shù)都不帶

train_df['label'].value_counts()?

ascending=True

normalize=True 數(shù)據(jù)標(biāo)準(zhǔn)化：在多指標(biāo)評價體系中，由于各評價指標(biāo)的性質(zhì)不同，通常具有不同的量綱和數(shù)量級。當(dāng)各指標(biāo)間的水平相差很大時，如果直接用原始指標(biāo)值進(jìn)行分析，就會突出數(shù)值較高的指標(biāo)在綜合分析中的作用，相對削弱數(shù)值水平較低指標(biāo)的作用。因此，為了保證結(jié)果的可靠性，需要對原始指標(biāo)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。 數(shù)據(jù)的標(biāo)準(zhǔn)化（normalization）是將數(shù)據(jù)按比例縮放，使之落入一個小的特定區(qū)間。在某些比較和評價的指標(biāo)處理中經(jīng)常會用到，去除數(shù)據(jù)的單位限制，將其轉(zhuǎn)化為無量綱的純數(shù)值，便于不同單位或量級的指標(biāo)能夠進(jìn)行比較和加權(quán)。

train_df['label'].value_counts(ascending=False,normalize=True)? ?

數(shù)據(jù)標(biāo)準(zhǔn)化以后，所有得項得和為1（可能因為計算機(jī)存儲數(shù)據(jù)而有誤差） 常用來計算各數(shù)據(jù)占的比例

bins分組統(tǒng)計 對于數(shù)值型的可以進(jìn)行分組，分組以后返回結(jié)果

幾種使用方式

先取出列（Series對象），然后調(diào)用函數(shù)這時候相當(dāng)于train_df['label'].value_counts()?

DataFrame對每一列都進(jìn)行統(tǒng)計train_df.apply(pd.value_counts) ? ?直接使用Pandas調(diào)用pd.value_counts(train_df['label'],ascending=True) ?

同樣的統(tǒng)計還可以使用?groupby,這個的過程是先按‘label’分組然后再統(tǒng)計每組的值，這樣的效率較低，不建議使用

train_df.groupby('label').count() ?

柚子快報邀請碼778899分享：Pandas | value

http://yzkb.51969.com/

好文閱讀