pandas.core.groupby.DataFrameGroupBy.value_counts#

DataFrameGroupBy.value_counts(subset=None, нормализовать=False, sort=True, ascending=False, dropna=True)[источник]#

Возвращает Series или DataFrame, содержащие количество уникальных строк.

Добавлено в версии 1.4.0.

Параметры:
subsetподобный списку, опционально

функция работает с файлами данных, имеющими известные и фиксированные ширины столбцов. Параметры функции для

нормализоватьbool, по умолчанию False

Возвращать пропорции, а не частоты.

sortbool, по умолчанию True

Сортировка по частотам.

ascendingbool, по умолчанию False

Сортировка в порядке возрастания.

dropnabool, по умолчанию True

Не включать подсчеты строк, содержащих значения NA.

Возвращает:
Series или DataFrame

Series, если groupby as_index равен True, иначе DataFrame.

Смотрите также

Series.value_counts

Эквивалентный метод для Series.

DataFrame.value_counts

Эквивалентный метод на DataFrame.

SeriesGroupBy.value_counts

Эквивалентный метод на SeriesGroupBy.

Примечания

  • Если в groupby as_index установлено True, то возвращаемый Series будет иметь MultiIndex с одним уровнем на каждый входной столбец.

  • Если groupby as_index равен False, то возвращаемый DataFrame будет иметь дополнительный столбец со значениями подсчета. Столбец помечен как 'count' или 'proportion', в зависимости от normalize параметр.

По умолчанию строки, содержащие любые значения NA, исключаются из результата.

По умолчанию результат будет в порядке убывания, чтобы первый элемент каждой группы был наиболее часто встречающейся строкой.

Примеры

>>> df = pd.DataFrame({
...     'gender': ['male', 'male', 'female', 'male', 'female', 'male'],
...     'education': ['low', 'medium', 'high', 'low', 'high', 'low'],
...     'country': ['US', 'FR', 'US', 'FR', 'FR', 'FR']
... })

>>> df
        gender  education   country
0       male    low         US
1       male    medium      FR
2       female  high        US
3       male    low         FR
4       female  high        FR
5       male    low         FR

>>> df.groupby('gender').value_counts()
gender  education  country
female  high       FR         1
                   US         1
male    low        FR         2
                   US         1
        medium     FR         1
Name: count, dtype: int64

>>> df.groupby('gender').value_counts(ascending=True)
gender  education  country
female  high       FR         1
                   US         1
male    low        US         1
        medium     FR         1
        low        FR         2
Name: count, dtype: int64

>>> df.groupby('gender').value_counts(normalize=True)
gender  education  country
female  high       FR         0.50
                   US         0.50
male    low        FR         0.50
                   US         0.25
        medium     FR         0.25
Name: proportion, dtype: float64

>>> df.groupby('gender', as_index=False).value_counts()
   gender education country  count
0  female      high      FR      1
1  female      high      US      1
2    male       low      FR      2
3    male       low      US      1
4    male    medium      FR      1

>>> df.groupby('gender', as_index=False).value_counts(normalize=True)
   gender education country  proportion
0  female      high      FR        0.50
1  female      high      US        0.50
2    male       low      FR        0.50
3    male       low      US        0.25
4    male    medium      FR        0.25