熊猫数据框中的计数值
原文:https://www . geesforgeks . org/count-values-in-pandas-data frame/
在本文中，我们将计算熊猫数据框中的值。首先，我们将创建一个数据框，然后我们将计算不同属性的值。
语法:数据帧计数(轴=0，级别=无，仅数值=假)
参数:
- 轴 {0 或‘索引’，1 或‘列’}:如果轴=0 或轴=‘索引’，则默认为每列生成 0 计数，如果轴=1 或轴=‘列’，则为每行生成计数。
- 级别 (nt 或 str，可选):如果轴是多索引，沿特定级别计数，折叠成数据框。字符串指定级别名称。
- numeric_only (布尔值，默认为 False):仅包含 int、float 或布尔值。
返回:返回非空值的计数，如果使用了 level，则返回 dataframe
循序渐进法:
步骤 1: 导入库。
Python 3
# importing libraries
import numpy as np
import pandas as pd
步骤 2: 创建数据帧
Python 3
# Creating dataframe with
# some missing values
NaN = np.nan
dataframe = pd.DataFrame({'Name': ['Shobhit', 'Vaibhav',
'Vimal', 'Sourabh',
'Rahul', 'Shobhit'],
'Physics': [11, 12, 13, 14, NaN, 11],
'Chemistry': [10, 14, NaN, 18, 20, 10],
'Math': [13, 10, 15, NaN, NaN, 13]})
display(dataframe)
输出:
创建的数据框
第三步:在这一步中，我们只是简单地使用。count()函数对不同列的所有值进行计数。
Python 3
# using dataframe.count()
# to count all values
dataframe.count()
输出:
我们可以看到计数值有差异，因为我们有缺失的值。“名称”列中有 5 个值，物理和化学有 4 个值，数学有 3 个值。在这种情况下，它使用带有默认值的参数。
第 4 步:如果我们想计算与行相关的所有值，那么我们必须传递 axis=1 或“columns”。
Python 3
# we can pass either axis=1 or
# axos='columns' to count with respect to row
print(dataframe.count(axis = 1))
print(dataframe.count(axis = 'columns'))
输出:
相对于行计数
第 5 步:现在如果我们想计算数据帧中的空值。
Python 3
# it will give the count
# of individual columns count of null values
print(dataframe.isnull().sum())
# it will give the total null
# values present in our dataframe
print("Total Null values count: ",
dataframe.isnull().sum().sum())
输出:
第六步:。使用的一些例子。count()
现在我们要统计物理成绩大于 11 的学生人数。
Python 3
# count of student with greater
# than 11 marks in physics
print("Count of students with physics marks greater than 11 is->",
dataframe[dataframe['Physics'] > 11]['Name'].count())
# resultant of above dataframe
dataframe[dataframe['Physics']>11]
输出:
物理> 11
物理成绩大于 10，化学成绩大于 11，数学成绩大于 9 的学生数。
Python 3
# Count of students whose physics marks
# are greater than 10,chemistry marks are
# greater than 11 and math marks are greater than 9.
print("Count of students ->",
dataframe[(dataframe['Physics'] > 10) &
(dataframe['Chemistry'] > 11) &
(dataframe['Math'] > 9)]['Name'].count())
# dataframe of above result
dataframe[(dataframe['Physics'] > 10 ) &
(dataframe['Chemistry'] > 11 ) &
(dataframe['Math'] > 9 )]
输出:
物理> 10，化学> 11，数学> 9
以下是完整实现:
Python 3
# importing Libraries
import pandas as pd
import numpy as np
# Creating dataframe using dictionary
NaN = np.nan
dataframe = pd.DataFrame({'Name': ['Shobhit', 'Vaibhav',
'Vimal', 'Sourabh',
'Rahul', 'Shobhit'],
'Physics': [11, 12, 13, 14, NaN, 11],
'Chemistry': [10, 14, NaN, 18, 20, 10],
'Math': [13, 10, 15, NaN, NaN, 13]})
print("Created Dataframe")
print(dataframe)
# finding Count of all columns
print("Count of all values wrt columns")
print(dataframe.count())
# Count according to rows
print("Count of all values wrt rows")
print(dataframe.count(axis=1))
print(dataframe.count(axis='columns'))
# count of null values
print("Null Values counts ")
print(dataframe.isnull().sum())
print("Total null values",
dataframe.isnull().sum().sum())
# count of student with greater
# than 11 marks in physics
print("Count of students with physics marks greater than 11 is->",
dataframe[dataframe['Physics'] > 11]['Name'].count())
# resultant of above dataframe
print(dataframe[dataframe['Physics'] > 11])
print("Count of students ->",
dataframe[(dataframe['Physics'] > 10) &
(dataframe['Chemistry'] > 11) &
(dataframe['Math'] > 9)]['Name'].count())
print(dataframe[(dataframe['Physics'] > 10) &
(dataframe['Chemistry'] > 11) &
(dataframe['Math'] > 9)])
输出:
版权属于：月萌API www.moonapi.com，转载请注明出处
