単一変数の頻度表


97

今日の最後の初心者パンダの質問:単一のシリーズのテーブルを生成するにはどうすればよいですか?

例えば:

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

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

グーグルがたくさんあるので、Series.describe()とpandas.crosstabsにつながっていますが、どちらも必要なことをまったく行いません。ああ、それがさまざまなデータ型(strings、intsなど)で機能するのは素晴らしいことです。

回答:


153

たぶん.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}

5
.value_counts().sort_index(1)、最初の列が多少
乱れる

9
シリーズではなく、DataFrameに相当するものはありますか?私はDF上)(.value_countsを実行しようとしただAttributeError: 'DataFrame' object has no attribute 'value_counts'
Mittenchops

1
これらの数を比率に変換する簡単な方法はありますか?
dsaxton 2015

7
@dsaxton .value_counts(normalize = True)を使用して、結果を比率に変換できます
Max Power

2
代わりにこれをデータフレームで使用するには、同等の1次元のnumpy配列表現に変換しpd.value_counts(df.values.ravel())ます。これは、indexおよびvalues属性に一意の要素とその数がそれぞれ含まれる系列を返します。
Nickil Maveli 16

11

データフレームでリスト内包表記を使用して、列の頻度をそのようにカウントできます

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

壊す:

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

カテゴリカルデータのみを選択します

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

上から列をリストに変換します

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

上記のリストを反復処理し、value_counts()を各列に適用します


5

@DSMが提供する答えは単純明快ですが、この質問には独自の入力を追加したいと思いました。pandas.value_countsのコードを見ると、多くのことが行われていることがわかります。

多くのシリーズの頻度を計算する必要がある場合、これにはしばらく時間がかかることがあります。より高速な実装は、numpy.uniquereturn_counts = True

次に例を示します。

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

ここで、返されるアイテムはpandas.Seriesです。

比較すると、numpy.unique一意の値とカウントの2つの項目を持つタプルを返します。

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

次に、これらを組み合わせて辞書に入れることができます。

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

そして次に pandas.Series

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

0

過剰な値を持つ変数の頻度分布の場合、クラスの値を折りたたむことができます。

ここでは、employrate変数に過剰な値を設定しています。直接の頻度分布の意味はありません。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)分類のない頻度分布、ここでの結果の長さは139です(頻度分布としては無意味に思われます)。

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

分類を置くことで、特定の範囲のすべての値、つまり

1として0-10
2として11-20  
21から30、3など。
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))

分類後、頻度分布は明確になります。ここで簡単にわかるように37.64%、国51-60%11.79%国の間に雇用率があり、国と国の間に雇用率があります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
弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.