pandas.Series.value_counts

Series.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 первый элемент — это наиболее часто встречающееся значение. По умолчанию исключает значения NaN.

Параметры:

normalize:bool, по умолчанию False

Если True, возвращаемый объект будет содержать относительные частоты уникальных значений.

sort:bool, по умолчанию True

Сортировать по частотам, если True. Сохранять порядок данных, если False.

ascending:bool, по умолчанию False

Сортировать в порядке возрастания.

bins:int, необязательно

Вместо подсчета значений, сгруппировать их в полуоткрытые интервалы, удобно для pd.cut, работает только с числовыми данными.

dropna:bool, по умолчанию True

Не включать подсчет NaN.

Возвращаемое значение:

Series

См. также

Series.count

Количество элементов, отличных от NaN, в Series.

DataFrame.count

Количество элементов, отличных от NaN, в DataFrame.

DataFrame.value_counts

Эквивалентный метод для DataFrames.

Примеры

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

С normalize установленным 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
1.0    0.2
2.0    0.2
4.0    0.2
Name: proportion, 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)
(0.996, 2.0]    2
(2.0, 3.0]      2
(3.0, 4.0]      1
Name: count, dtype: int64

dropna

С dropna установленным в False, мы также можем увидеть индексы NaN.

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