作者：俊欣

來源：關于數據分析與可視化

大家好，我是俊欣，本篇文章應該算得上是2022年的第一篇原創了，抱歉，元旦期間小編有點偷懶。

今天小編來給大家講一下Pandas模塊當中的數據統計與排序，說到具體的就是value_counts()方法以及sort_values()方法。

value_counts()方法，顧名思義，主要是用于計算各個類别出現的次數的，而sort_values()方法則是對數值來進行排序，當然除了這些，還有很多大家不知道的衍生的功能等待被挖掘，下面小編就帶大家一個一個的說過去。

我們這次用到的數據集是“非常有名”的泰坦尼克号的數據集，該數據源能夠在很多平台上都能夠找得到

import pandas as pd df = pd.read_csv("titanic_train.csv") df.head()

output

首先我們來看一下常規的用法，代碼如下

df['Embarked'].value_counts()

output

S 644 C 168 Q 77 Name: Embarked, dtype: int64

下面我們簡單來介紹一下value_counts()方法當中的參數，

DataFrame.value_counts(subset=None, normalize=False, sort=True, ascending=False, dropna=True)

常用到參數的具體解釋為：

• subset: 表示根據什麼字段或者索引來進行統計分析
• normalize: 返回的是比例而不是頻次
• ascending: 降序還是升序來排
• dropna: 是否需要包含有空值的行

上面返回的結果是按照從大到小來進行排序的，當然我們也可以反過來，從小到大來進行排序，代碼如下

df['Embarked'].value_counts(ascending=True)

output

Q 77 C 168 S 644 Name: Embarked, dtype: int64

同時我們也可以對索引，按照字母表的順序來進行排序，代碼如下

df['Embarked'].value_counts(ascending=True).sort_index(ascending=True)

output

C 168 Q 77 S 644 Name: Embarked, dtype: int64

當中的ascending=True指的是升序排序

默認的是value_counts()方法不會對空值進行統計，那要是我們也希望對空值進行統計的話，就可以加上dropna參數，代碼如下

df['Embarked'].value_counts(dropna=False)

output

S 644 C 168 Q 77 NaN 2 Name: Embarked, dtype: int64

我們可以将數值的統計轉化成百分比式的統計，可以更加直觀地看到每一個類别的占比，代碼如下

df['Embarked'].value_counts(normalize=True)

output

S 0.724409 C 0.188976 Q 0.086614 Name: Embarked, dtype: float64

要是我們希望對能夠在後面加上一個百分比的符号，則需要在Pandas中加以設置，對數據的展示加以設置，代碼如下

pd.set_option('display.float_format', '{:.2%}'.format) df['Embarked'].value_counts(normalize = True)

output

S 72.44% C 18.90% Q 8.66% Name: Embarked, dtype: float64

當然除此之外，我們還可以這麼來做，代碼如下

df['Embarked'].value_counts(normalize = True).to_frame().style.format('{:.2%}')

output

Embarked S 72.44% C 18.90% Q 8.66%

和Pandas模塊當中的cut()方法相類似的在于，我們這裡也可以将連續型數據進行分箱然後再來統計，代碼如下

df['Fare'].value_counts(bins=3)

output

(-0.513, 170.776] 871 (170.776, 341.553] 17 (341.553, 512.329] 3 Name: Fare, dtype: int64

我們将Fare這一列同等份的分成3組然後再來進行統計，當然我們也可以自定義每一個分組的上限與下限，代碼如下

df['Fare'].value_counts(bins=[-1, 20, 100, 550])

output

(-1.001, 20.0] 515 (20.0, 100.0] 323 (100.0, 550.0] 53 Name: Fare, dtype: int64

pandas模塊當中的groupby()方法允許對數據集進行分組，它也可以和value_counts()方法聯用更好地來進行統計分析，代碼如下

df.groupby('Embarked')['Sex'].value_counts()

output

Embarked Sex C male 95 female 73 Q male 41 female 36 S male 441 female 203 Name: Sex, dtype: int64

上面的代碼是針對“Embarked”這一類别下的“Sex”特征進行分組，然後再進一步進行數據的統計分析，當然出來的結果是Series數據結構，要是我們想讓Series的數據結果編程DataFrame數據結構，可以這麼來做，

df.groupby('Embarked')['Sex'].value_counts().to_frame()

下面我們來談一下數據的排序，主要用到的是sort_values()方法，例如我們根據“年齡”這一列來進行排序，排序的方式為降序排，代碼如下

df.sort_values("Age", ascending = False).head(10)

output

我們看到排序過之後的DataFrame數據集行索引依然沒有變，我們希望行索引依然可以是從0開始依次的遞增，就可以這麼來做，代碼如下

df.sort_values("Age", ascending = False, ignore_index = True).head(10)

output

下面我們簡單來介紹一下sort_values()方法當中的參數

DataFrame.sort_values(by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last', # last，first；默認是last ignore_index=False, key=None)

常用到參數的具體解釋為：

• by: 表示根據什麼字段或者索引來進行排序，可以是一個或者是多個
• axis: 是水平方向排序還是垂直方向排序，默認是垂直方向
• ascending: 排序方式，是升序還是降序來排
• inplace: 是生成新的DataFrame還是在原有的基礎上進行修改
• kind: 所用到的排序的算法，有快排quicksort或者是歸并排序mergesort、堆排序heapsort等等
• ignore_index: 是否對行索引進行重新的排序

我們還可以對多個字段進行排序，代碼如下

df.sort_values(["Age", "Fare"], ascending = False).head(10)

output

同時我們也可以對不同的字段指定不同的排序方式，如下

df.sort_values(["Age", "Fare"], ascending = [False, True]).head(10)

output

我們可以看到在“Age”一樣的情況下，“Fare”字段是按照升序的順序來排的

我們可以自定義一個函數方法，然後運用在sort_values()方法當中，讓其按照自己寫的方法來排序，我們看如下的這組數據

df = pd.DataFrame({ 'product': ['keyboard', 'mouse', 'desk', 'monitor', 'chair'], 'category': ['C', 'C', 'O', 'C', 'O'], 'year': [2002, 2002, 2005, 2001, 2003], 'cost': ['$52', '$24', '$250', '$500', '$150'], 'promotion_time': ['20hr', '30hr', '20hr', '20hr', '2hr'], })

output

當中的“cost”這一列帶有美元符号“$”，因此就會幹擾排序的正常進行，我們使用lambda方法自定義一個函數方法運用在sort_value()當中

df.sort_values( 'cost', key=lambda val: val.str.replace('$', '').astype('float64') )

output

當然我們還可以自定義一個更加複雜一點的函數，并且運用在sort_values()方法當中，代碼如下

def sort_by_cost_time(x): if x.name == 'cost': return x.str.replace('$', '').astype('float64') elif x.name == 'promotion_time': return x.str.replace('hr', '').astype('int') else: return x df.sort_values( ['year', 'promotion_time', 'cost'], key=sort_by_cost_time )

output

還有另外一種情況，例如我們遇到衣服的尺碼，XS碼、S碼、M碼、L碼又或者是月份，Jan、Feb、Mar、Apr等等，需要我們自己去定義大小，這個時候我們需要用到的是CategoricalDtype

cat_size_order = CategoricalDtype( ['XS', 'S', 'M', 'L', 'XL'], ordered=True ) cat_size_order

output

CategoricalDtype(categories=['XS', 'S', 'M', 'L', 'XL'], ordered=True)

于是針對下面的數據

df = pd.DataFrame({ 'cloth_id': [1001, 1002, 1003, 1004, 1005, 1006], 'size': ['S', 'XL', 'M', 'XS', 'L', 'S'], })

output

我們将事先定義好的順序應用到該數據集當中，代碼如下

df['size'] = df['size'].astype(cat_size_order) df.sort_values('size')

output

先通過astype()來轉換數據類型，然後再進行排序

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!