<\/p>\n
Sie k\u00f6nnen die Funktion value_counts()<\/strong> verwenden, um die H\u00e4ufigkeit eindeutiger Werte in einer Pandas-Reihe zu z\u00e4hlen.<\/span><\/p>\n Diese Funktion verwendet die folgende grundlegende Syntax:<\/span><\/p>\n Die folgenden Beispiele zeigen, wie Sie diese Syntax in der Praxis anwenden k\u00f6nnen.<\/span><\/p>\n Der folgende Code zeigt, wie das Vorkommen eindeutiger Werte in einer Pandas-Reihe gez\u00e4hlt wird:<\/span><\/p>\n Das sagt uns:<\/span><\/p>\n Und so weiter.<\/span><\/p>\n Standardm\u00e4\u00dfig zeigt die Funktion value_counts()<\/strong> nicht die H\u00e4ufigkeit von NaN-Werten an.<\/span><\/p>\n Sie k\u00f6nnen jedoch das Argument dropna<\/strong> verwenden, um die H\u00e4ufigkeit von NaN-Werten anzuzeigen:<\/span><\/p>\n Der folgende Code zeigt, wie das Argument normalize<\/strong> verwendet wird, um die relative H\u00e4ufigkeit eindeutiger Werte in einer Pandas-Reihe zu z\u00e4hlen:<\/span><\/p>\n Das sagt uns:<\/span><\/p>\n Und so weiter.<\/span><\/p>\n Der folgende Code zeigt, wie das Argument \u201ebins\u201c<\/strong> verwendet wird, um die H\u00e4ufigkeit von Werten in einer Pandas-Reihe zu z\u00e4hlen, die in gleich gro\u00dfe Bins fallen:<\/span><\/p>\n Das sagt uns:<\/span><\/p>\n Wir k\u00f6nnen auch die Funktion value_counts()<\/strong> verwenden, um die H\u00e4ufigkeit eindeutiger Werte in einer bestimmten Spalte eines Pandas-DataFrames zu berechnen:<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie Sie andere allgemeine Funktionen in Pandas verwenden:<\/span><\/p>\n So verwenden Sie die Funktion \u201ebeschreiben()\u201c in Pandas<\/a> Sie k\u00f6nnen die Funktion value_counts() verwenden, um die H\u00e4ufigkeit eindeutiger Werte in einer Pandas-Reihe zu z\u00e4hlen. Diese Funktion verwendet die folgende grundlegende Syntax: my_series. value_counts () Die folgenden Beispiele zeigen, wie Sie diese Syntax in der Praxis anwenden k\u00f6nnen. Beispiel 1: H\u00e4ufigkeit eindeutiger Werte z\u00e4hlen Der folgende Code zeigt, wie das Vorkommen eindeutiger Werte in […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n my_series. value_counts<\/span> ()\n<\/strong><\/pre>\n Beispiel 1: H\u00e4ufigkeit eindeutiger Werte z\u00e4hlen<\/span><\/span><\/strong><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#create pandas Series\n<\/span>my_series = pd. Series<\/span> ([3, 3, 3, 3, 4, 4, 7, 7, 8, 9])\n\n#count occurrences of unique values in Series\n<\/span>my_series. value_counts<\/span> ()\n\n3 4\n4 2\n7 2\n8 1\n9 1\ndtype: int64<\/strong><\/pre>\n\n
Beispiel 2: H\u00e4ufigkeit eindeutiger Werte z\u00e4hlen (einschlie\u00dflich NaN)<\/span><\/strong><\/h3>\n
import<\/span> pandas as<\/span> pd\nimport<\/span> numpy as<\/span> np\n\n#create pandas Series with some NaN values\n<\/span>my_series = pd. Series<\/span> ([3, 3, 3, 3, 4, 4, 7, 7, 8, 9, np.nan, np.nan])\n\n#count occurrences of unique values in Series, including NaNs\n<\/span>my_series. value_counts<\/span> (dropna= False<\/span> )\n\n3.0 4\n4.0 2\n7.0 2\nNaN2\n8.0 1\n9.0 1\ndtype: int64<\/strong><\/pre>\n Beispiel 3: Z\u00e4hlen Sie die relative H\u00e4ufigkeit eindeutiger Werte<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#create pandas Series\n<\/span>my_series = pd. Series<\/span> ([3, 3, 3, 3, 4, 4, 7, 7, 8, 9])\n\n#count occurrences of unique values in Series\n<\/span>my_series. value_counts<\/span> (normalize= True<\/span> )\n\n3 0.4\n4 0.2\n7 0.2\n8 0.1\n9 0.1\ndtype:float64<\/strong><\/pre>\n\n
Beispiel 4: Z\u00e4hlh\u00e4ufigkeit in Bins<\/strong><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#create pandas Series\n<\/span>my_series = pd. Series<\/span> ([3, 3, 3, 3, 4, 4, 7, 7, 8, 9])\n\n#count occurrences of unique values in Series\n<\/span>my_series. value_counts<\/span> (bins= 3<\/span> )\n\n(3.0, 5.0] 6\n(5.0, 7.0] 2\n(7.0, 9.0] 2\ndtype: int64\n<\/strong><\/pre>\n\n
Beispiel 5: Z\u00e4hlen Sie die H\u00e4ufigkeit von Werten im Pandas DataFrame<\/span><\/strong><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' points<\/span> ': [9, 9, 9, 10, 10, 13, 15, 22],\n ' assists<\/span> ': [5, 7, 7, 9, 12, 9, 9, 4],\n ' rebounds<\/span> ': [11, 8, 10, 6, 6, 5, 9, 12]})\n#count occurrences of unique values in 'points' column\n<\/span>df[' points<\/span> ']. value_counts<\/span> ()\n\n9 3\n10 2\n13 1\n15 1\n22 1\nName: points, dtype: int64<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So z\u00e4hlen Sie die Anzahl der Zeilen in Pandas<\/a>
So z\u00e4hlen Sie Gruppensichtungen bei Pandas<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"