pandas.Index.value_counts

Index.value_counts(normalize=False, sort=True, ascending=False, bins=None, dropna=True) [source]

Возвращает Series, содержащую количество уникальных значений.

Результат будет отсортирован по убыванию, так что первое значение — это наиболее часто встречающееся. Значения NA по умолчанию исключаются.

Параметры:

normalize : boolean, default False Если True, возвращаемый объект будет содержать относительные частоты уникальных значений. sort : boolean, default True Сортировать по значениям. ascending : boolean, default False Сортировать по возрастанию. bins : integer, optional Вместо подсчета значений сгруппировать их в полуоткрытые интервалы — удобный способ для pd.cut, работает только с числовыми данными. dropna : boolean, default True Не включать подсчет NaN.

Возвращает:

counts : Series

См. также

Series.count

Количество элементов, отличных от NA, в Series.

DataFrame.count

Количество элементов, отличных от NA, в DataFrame.

Примеры

>>> index = pd.Index([3, 1, 2, 3, 4, np.nan])
>>> index.value_counts()
3.0    2
4.0    1
2.0    1
1.0    1
dtype: int64

При normalize , установленной в True, возвращает относительную частоту, деля все значения на сумму значений.

>>> s = pd.Series([3, 1, 2, 3, 4, np.nan])
>>> s.value_counts(normalize=True)
3.0    0.4
4.0    0.2
2.0    0.2
1.0    0.2
dtype: float64

bins

Интервалы могут быть полезны для перехода от непрерывной переменной к категориальной; вместо подсчета уникальных появлений значений, разделите индекс на указанное количество полуоткрытых интервалов.

>>> s.value_counts(bins=3)
(2.0, 3.0]      2
(0.996, 2.0]    2
(3.0, 4.0]      1
dtype: int64

dropna

При dropna , установленной в False, мы также можем увидеть значения NaN в индексе.

>>> s.value_counts(dropna=False)
3.0    2
NaN    1
4.0    1
2.0    1
1.0    1
dtype: int64