pandas.core.groupby.DataFrameGroupBy.value_counts

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

Возвращает Series или DataFrame, содержащие подсчеты уникальных строк.

Введено в версии 1.4.0.

Параметры

subset:подобный списку, необязательно

Столбцы, используемые при подсчете уникальных комбинаций.

normalize:bool, по умолчанию False

Возвращает доли вместо частот.

sort:bool, по умолчанию True

Сортировать по частотам.

ascending:bool, по умолчанию False

Сортировать в порядке возрастания.

dropna:bool, по умолчанию True

Не включать подсчеты строк, содержащих значения NA.

Возвращает

Series или DataFrame

Series, если as_index в groupby равно True, в противном случае DataFrame.

См. также

Series.value_counts

Эквивалентный метод в Series.

DataFrame.value_counts

Эквивалентный метод в DataFrame.

SeriesGroupBy.value_counts

Эквивалентный метод в SeriesGroupBy.

Примечания

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

• Если в groupby as_index равно False, то возвращаемый DataFrame будет иметь дополнительный столбец со значением value_counts. Столбец имеет метку ‘count’ или ‘proportion’, в зависимости от параметра normalize.

По умолчанию строки, содержащие какие-либо значения NA, исключаются из результата.

По умолчанию результат будет в порядке убывания, так что первый элемент каждой группы — это наиболее часто встречающаяся строка.

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
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
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
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