Tabela częstotliwości dla jednej zmiennej

Ostatnie pytanie dotyczące pandy dla początkujących na ten dzień: Jak wygenerować stół dla jednej serii?

Na przykład:

my_series = pandas.Series([1,2,2,3,3,3])
pandas.magical_frequency_function( my_series )

>> {
     1 : 1,
     2 : 2, 
     3 : 3
   }

Dużo googlowania doprowadziło mnie do Series.describe () i pandas.crosstabs, ale żadna z nich nie robi tego, czego potrzebuję: jedna zmienna liczona według kategorii. Aha, i byłoby miło, gdyby zadziałało dla różnych typów danych: ciągów znaków, intów itp.

Może .value_counts()?

>>> import pandas
>>> my_series = pandas.Series([1,2,2,3,3,3, "fred", 1.8, 1.8])
>>> my_series
0       1
1       2
2       2
3       3
4       3
5       3
6    fred
7     1.8
8     1.8
>>> counts = my_series.value_counts()
>>> counts
3       3
2       2
1.8     2
fred    1
1       1
>>> len(counts)
5
>>> sum(counts)
9
>>> counts["fred"]
1
>>> dict(counts)
{1.8: 2, 2: 2, 3: 3, 1: 1, 'fred': 1}

Możesz użyć funkcji rozumienia list w ramce danych, aby policzyć częstotliwości kolumn jako takich

[my_series[c].value_counts() for c in list(my_series.select_dtypes(include=['O']).columns)]

Awaria:

my_series.select_dtypes(include=['O']) 

Wybiera tylko dane kategoryczne

list(my_series.select_dtypes(include=['O']).columns) 

Zamienia kolumny z góry w listę

[my_series[c].value_counts() for c in list(my_series.select_dtypes(include=['O']).columns)] 

Iteruje przez powyższą listę i stosuje value_counts () do każdej z kolumn

Odpowiedź udzielona przez @DSM jest prosta i nieskomplikowana, ale pomyślałem, że dodam własny wkład do tego pytania. Jeśli spojrzysz na kod pandy.value_counts , zobaczysz, że dużo się dzieje.

Jeśli musisz obliczyć częstotliwość wielu serii, może to chwilę potrwać. Szybszą implementacją byłoby użycie numpy.unique zreturn_counts = True

Oto przykład:

import pandas as pd
import numpy as np

my_series = pd.Series([1,2,2,3,3,3])

print(my_series.value_counts())
3    3
2    2
1    1
dtype: int64

Zwróć uwagę, że zwrócony przedmiot to pandy. Seria

Dla porównania numpy.uniquezwraca krotkę zawierającą dwa elementy, unikalne wartości i liczby.

vals, counts = np.unique(my_series, return_counts=True)
print(vals, counts)
[1 2 3] [1 2 3]

Następnie możesz połączyć je w słownik:

results = dict(zip(vals, counts))
print(results)
{1: 1, 2: 2, 3: 3}

A następnie do pandas.Series

print(pd.Series(results))
1    1
2    2
3    3
dtype: int64

dla rozkładu częstości zmiennej o nadmiernych wartościach można zwinąć wartości w klasach,

Tutaj mam nadmierne wartości dla employratezmiennej i nie ma znaczenia jej rozkład częstotliwości z bezpośrednimvalues_count(normalize=True)

                country  employrate alcconsumption
0           Afghanistan   55.700001            .03
1               Albania   11.000000           7.29
2               Algeria   11.000000            .69
3               Andorra         nan          10.17
4                Angola   75.699997           5.57
..                  ...         ...            ...
208             Vietnam   71.000000           3.91
209  West Bank and Gaza   32.000000               
210         Yemen, Rep.   39.000000             .2
211              Zambia   61.000000           3.56
212            Zimbabwe   66.800003           4.96

[213 rows x 3 columns]

rozkład częstotliwości values_count(normalize=True)bez klasyfikacji, długość wyniku tutaj wynosi 139 (wydaje się bez znaczenia jako rozkład częstotliwości):

print(gm["employrate"].value_counts(sort=False,normalize=True))

50.500000   0.005618
61.500000   0.016854
46.000000   0.011236
64.500000   0.005618
63.500000   0.005618

58.599998   0.005618
63.799999   0.011236
63.200001   0.005618
65.599998   0.005618
68.300003   0.005618
Name: employrate, Length: 139, dtype: float64

stawiając klasyfikację umieszczamy wszystkie wartości w pewnym przedziale tj.

0-10 jako 1,
11-20 jako 2  
21-30 jako 3 i tak dalej.

gm["employrate"]=gm["employrate"].str.strip().dropna()  
gm["employrate"]=pd.to_numeric(gm["employrate"])
gm['employrate'] = np.where(
   (gm['employrate'] <=10) & (gm['employrate'] > 0) , 1, gm['employrate']
   )
gm['employrate'] = np.where(
   (gm['employrate'] <=20) & (gm['employrate'] > 10) , 1, gm['employrate']
   )
gm['employrate'] = np.where(
   (gm['employrate'] <=30) & (gm['employrate'] > 20) , 2, gm['employrate']
   )
gm['employrate'] = np.where(
   (gm['employrate'] <=40) & (gm['employrate'] > 30) , 3, gm['employrate']
   )
gm['employrate'] = np.where(
   (gm['employrate'] <=50) & (gm['employrate'] > 40) , 4, gm['employrate']
   )
gm['employrate'] = np.where(
   (gm['employrate'] <=60) & (gm['employrate'] > 50) , 5, gm['employrate']
   )
gm['employrate'] = np.where(
   (gm['employrate'] <=70) & (gm['employrate'] > 60) , 6, gm['employrate']
   )
gm['employrate'] = np.where(
   (gm['employrate'] <=80) & (gm['employrate'] > 70) , 7, gm['employrate']
   )
gm['employrate'] = np.where(
   (gm['employrate'] <=90) & (gm['employrate'] > 80) , 8, gm['employrate']
   )
gm['employrate'] = np.where(
   (gm['employrate'] <=100) & (gm['employrate'] > 90) , 9, gm['employrate']
   )
print(gm["employrate"].value_counts(sort=False,normalize=True))

po klasyfikacji mamy wyraźny rozkład częstotliwości. tutaj możemy łatwo zauważyć, że 37.64%w krajach wskaźnik zatrudnienia pomiędzy, 51-60% a 11.79%krajów ma wskaźnik zatrudnienia pomiędzy71-80%

5.000000   0.376404
7.000000   0.117978
4.000000   0.179775
6.000000   0.264045
8.000000   0.033708
3.000000   0.028090
Name: employrate, dtype: float64