今天来给大家讲一下 Pandas模块当中的数据统计与排序，说到具体的就是 value_counts()方法以及 sort_values()方法。
value_counts()方法，顾名思义，主要是用于计算各个类别出现的次数的，而 sort_values()方法则是对数值来进行排序，当然除了这些，还有很多大家不知道的衍生的功能等待被挖掘，下面小编就带大家一个一个的说过去。
导入模块并且读取数据库
我们这次用到的数据集是“非常有名”的泰坦尼克号的数据集，该数据源能够在很多平台上都能够找得到
import pandas as pd
df = pd.read_csv("titanic_train.csv")
df.head()output
常规的用法
首先我们来看一下常规的用法，代码如下
df['Embarked'].value_counts()output
S 644
C 168
Q 77
Name: Embarked, dtype: int64下面我们简单来介绍一下value_counts()方法当中的参数，
DataFrame.value_counts(subset=None,
normalize=False,
sort=True,
ascending=False,
dropna=True)常用到参数的具体解释为：
subset: 表示根据什么字段或者索引来进行统计分析
normalize: 返回的是比例而不是频次
ascending: 降序还是升序来排
dropna: 是否需要包含有空值的行
上面返回的结果是按照从大到小来进行排序的，当然我们也可以反过来，从小到大来进行排序，代码如下
df['Embarked'].value_counts(ascending=True)output
Q 77
C 168
S 644
Name: Embarked, dtype: int64同时我们也可以对索引，按照字母表的顺序来进行排序，代码如下
df['Embarked'].value_counts(ascending=True).sort_index(ascending=True)output
C 168
Q 77
S 644
Name: Embarked, dtype: int64当中的ascending=True指的是升序排序
包含对空值的统计
默认的是 value_counts()方法不会对空值进行统计，那要是我们也希望对空值进行统计的话，就可以加上 dropna参数，代码如下
df['Embarked'].value_counts(dropna=False)output
S 644
C 168
Q 77
NaN 2
Name: Embarked, dtype: int64我们可以将数值的统计转化成百分比式的统计，可以更加直观地看到每一个类别的占比，代码如下
df['Embarked'].value_counts(normalize=True)output
S 0.724409
C 0.188976
Q 0.086614
Name: Embarked, dtype: float64要是我们希望对能够在后面加上一个百分比的符号，则需要在 Pandas中加以设置，对数据的展示加以设置，代码如下
pd.set_option('display.float_format', '{:.2%}'.format)
df['Embarked'].value_counts(normalize = True)output
S 72.44%
C 18.90%
Q 8.66%
Name: Embarked, dtype: float64当然除此之外，我们还可以这么来做，代码如下
df['Embarked'].value_counts(normalize = True).to_frame().style.format('{:.2%}')output
Embarked
S 72.44%
C 18.90%
Q 8.66%和 Pandas模块当中的 cut()方法相类似的在于，我们这里也可以将连续型数据进行分箱然后再来统计，代码如下
df['Fare'].value_counts(bins=3)output
(-0.513, 170.776] 871
(170.776, 341.553] 17
(341.553, 512.329] 3
Name: Fare, dtype: int64我们将 Fare这一列同等份的分成3组然后再来进行统计，当然我们也可以自定义每一个分组的上限与下限，代码如下
df['Fare'].value_counts(bins=[-1, 20, 100, 550])output
(-1.001, 20.0] 515
(20.0, 100.0] 323
(100.0, 550.0] 53
Name: Fare, dtype: int64pandas模块当中的 groupby()方法允许对数据集进行分组，它也可以和 value_counts()方法联用更好地来进行统计分析，代码如下
df.groupby('Embarked')['Sex'].value_counts()output
Embarked Sex
C male 95
female 73
Q male 41
female 36
S male 441
female 203
Name: Sex, dtype: int64上面的代码是针对“Embarked”这一类别下的“Sex”特征进行分组，然后再进一步进行数据的统计分析，当然出来的结果是 Series数据结构，要是我们想让 Series的数据结果编程 DataFrame数据结构，可以这么来做，
df.groupby('Embarked')['Sex'].value_counts().to_frame()下面我们来谈一下数据的排序，主要用到的是 sort_values()方法，例如我们根据“年龄”这一列来进行排序，排序的方式为降序排，代码如下
df.sort_values("Age", ascending = False).head(10)output
对行索引重新排序
我们看到排序过之后的 DataFrame数据集行索引依然没有变，我们希望行索引依然可以是从0开始依次的递增，就可以这么来做，代码如下
df.sort_values("Age", ascending = False, ignore_index = True).head(10)output
下面我们简单来介绍一下sort_values()方法当中的参数
DataFrame.sort_values(by,
axis=0,
ascending=True,
inplace=False,
kind='quicksort',
na_position='last', # last，first；默认是last
ignore_index=False,
key=None)常用到参数的具体解释为：
by: 表示根据什么字段或者索引来进行排序，可以是一个或者是多个
axis: 是水平方向排序还是垂直方向排序，默认是垂直方向
ascending: 排序方式，是升序还是降序来排
inplace: 是生成新的
DataFrame还是在原有的基础上进行修改kind: 所用到的排序的算法，有快排quicksort或者是归并排序mergesort、堆排序heapsort等等
ignore_index: 是否对行索引进行重新的排序
我们还可以对多个字段进行排序，代码如下
df.sort_values(["Age", "Fare"], ascending = False).head(10)output
同时我们也可以对不同的字段指定不同的排序方式，如下
df.sort_values(["Age", "Fare"], ascending = [False, True]).head(10)output
我们可以看到在“Age”一样的情况下，“Fare”字段是按照升序的顺序来排的
自定义排序
我们可以自定义一个函数方法，然后运用在 sort_values()方法当中，让其按照自己写的方法来排序，我们看如下的这组数据
df = pd.DataFrame({
'product': ['keyboard', 'mouse', 'desk', 'monitor', 'chair'],
'category': ['C', 'C', 'O', 'C', 'O'],
'year': [2002, 2002, 2005, 2001, 2003],
'cost': ['$52', '$24', '$250', '$500', '$150'],
'promotion_time': ['20hr', '30hr', '20hr', '20hr', '2hr'],
})output
当中的“cost”这一列带有美元符号“$”，因此就会干扰排序的正常进行，我们使用 lambda方法自定义一个函数方法运用在 sort_value()当中
df.sort_values(
'cost',
key=lambda val: val.str.replace('$', '').astype('float64')
)output
当然我们还可以自定义一个更加复杂一点的函数，并且运用在 sort_values()方法当中，代码如下
def sort_by_cost_time(x):
if x.name == 'cost':
return x.str.replace('$', '').astype('float64')
elif x.name == 'promotion_time':
return x.str.replace('hr', '').astype('int')
else:
return x
df.sort_values(
['year', 'promotion_time', 'cost'],
key=sort_by_cost_time
)output
还有另外一种情况，例如我们遇到衣服的尺码， XS码、 S码、 M码、 L码又或者是月份， Jan、 Feb、 Mar、 Apr等等，需要我们自己去定义大小，这个时候我们需要用到的是 CategoricalDtype
cat_size_order = CategoricalDtype(
['XS', 'S', 'M', 'L', 'XL'],
ordered=True
)
cat_size_orderoutput
CategoricalDtype(categories=['XS', 'S', 'M', 'L', 'XL'], ordered=True)于是针对下面的数据
df = pd.DataFrame({
'cloth_id': [1001, 1002, 1003, 1004, 1005, 1006],
'size': ['S', 'XL', 'M', 'XS', 'L', 'S'],
})output
我们将事先定义好的顺序应用到该数据集当中，代码如下
df['size'] = df['size'].astype(cat_size_order)
df.sort_values('size')output
先通过astype()来转换数据类型，然后再进行排序。
Crossin的新书《码上行动：用ChatGPT学会Python编程》已经上市了。 本书以ChatGPT为辅助，系统全面地讲解了如何掌握Python编程，适合Python零基础入门的读者学习。
购买后可加入读者交流群，Crossin为你开启陪读模式，解答你在阅读本书时的一切疑问。
Crossin的其他书籍：
添加微信 crossin123 ，加入编程教室共同学习 ~
感谢 转发 和 点赞 的各位~
热门跟贴