<\/p>\n
Eine H\u00e4ufigkeitstabelle<\/strong> ist eine Tabelle, die die H\u00e4ufigkeiten verschiedener Kategorien anzeigt. Diese Art von Tabelle ist besonders n\u00fctzlich, um die Verteilung von Werten in einem Datensatz zu verstehen.<\/span><\/p>\n In diesem Tutorial wird erl\u00e4utert, wie Sie H\u00e4ufigkeitstabellen in Python erstellen.<\/span><\/p>\n Um die H\u00e4ufigkeiten einzelner Werte in einer Pandas-Reihe zu ermitteln, k\u00f6nnen Sie die Funktion value_counts()<\/strong> verwenden:<\/span><\/p>\n Sie k\u00f6nnen das Argument sort=False<\/strong> hinzuf\u00fcgen, wenn Sie nicht m\u00f6chten, dass die Datenwerte nach H\u00e4ufigkeit sortiert werden:<\/span><\/p>\n Das Ergebnis l\u00e4sst sich wie folgt interpretieren:<\/span><\/p>\n Und so weiter.<\/span><\/p>\n Um die H\u00e4ufigkeiten eines Pandas-DataFrames zu ermitteln, k\u00f6nnen Sie die Funktion crosstab<\/strong> ()<\/strong> verwenden, die die folgende Syntax verwendet:<\/span><\/p>\n Kreuztabelle (Indizes, Spalten)<\/strong><\/span><\/p>\n Gold:<\/span><\/p>\n Nehmen wir zum Beispiel an, wir haben einen DataFrame, der Informationen \u00fcber die Note, das Alter und das Geschlecht von 10 verschiedenen Sch\u00fclern einer Klasse enth\u00e4lt. So finden Sie die H\u00e4ufigkeit jeder Buchstabennote:<\/span><\/p>\n Die Art und Weise, dies zu interpretieren, ist:<\/span><\/p>\n Wir k\u00f6nnen eine \u00e4hnliche Syntax verwenden, um H\u00e4ufigkeitszahlen f\u00fcr andere Spalten zu ermitteln. So ermitteln Sie beispielsweise die H\u00e4ufigkeit nach Alter:<\/span><\/p>\n Die Art und Weise, dies zu interpretieren, ist:<\/span><\/p>\n Sie k\u00f6nnen H\u00e4ufigkeiten auch einfach als Anteile des Datensatzes anzeigen, indem Sie durch die Summe dividieren:<\/span><\/p>\n Die Art und Weise, dies zu interpretieren, ist:<\/span><\/p>\n Sie k\u00f6nnen auch eine bidirektionale H\u00e4ufigkeitstabelle erstellen, um die H\u00e4ufigkeiten zweier verschiedener Variablen im Datensatz anzuzeigen. So erstellen Sie beispielsweise eine bidirektionale H\u00e4ufigkeitstabelle f\u00fcr die Variablen \u201eAlter\u201c und \u201eKlasse\u201c:<\/span><\/p>\n Die Art und Weise, dies zu interpretieren, ist:<\/span><\/p>\n Einwegh\u00e4ufigkeitstabelle f\u00fcr eine Serie<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#defineSeries<\/span>\ndata = pd.Series([1, 1, 1, 2, 3, 3, 3, 3, 4, 4, 5])\n\n#find frequencies of each value\n<\/span>data.value_counts()\n\n3 4\n1 3\n4 2\n5 1\n2 1\n<\/strong><\/pre>\n data.value_counts(sort= False<\/span> )\n\n1 3\n2 1\n3 4\n4 2\n5 1<\/strong><\/pre>\n\n
Einweg-H\u00e4ufigkeitstabelle f\u00fcr einen<\/strong><\/span> DataFrame<\/strong><\/span><\/h3>\n
\n
#create data<\/span>\ndf = pd.DataFrame({'Grade': ['A','A','A','B','B', 'B', 'B', 'C', 'D', 'D '],\n 'Age': [18, 18, 18, 19, 19, 20, 18, 18, 19, 19],\n 'Gender': ['M','M', 'F', 'F', 'F', 'M', 'M', 'F', 'M', 'F']})\n\n#view data<\/span>\ndf\n\n\tGrade Age Gender\n0 to 18 m\n1 to 18 m\n2 A 18 F\n3 B 19 F\n4 B 19 F\n5 B 20 M\n6 B 18 M\n7 C 18 F\n8 D 19 M\n9 D 19 F \t \n\n#find frequency of each letter grade\n<\/span>pd.crosstab(index=df[' Grade<\/span> '], columns=' count<\/span> ')\n\ncol_0 count\nGrade\t\nAt 3\nB4\nC 1\nD 2<\/strong><\/pre>\n\n
pd.crosstab(index=df[' Age<\/span> '], columns=' count<\/span> ') \n\ncol_0 count\nAge\t\n18 5\n19 4\n20 1\n<\/strong><\/pre>\n\n
#define crosstab<\/span>\ntab = pd.crosstab(index=df['Age'], columns='count')\n\n#find proportions<\/span> \ntab\/tab.sum()\n\ncol_0 count\nAge\t\n18 0.5\n19 0.4\n20 0.1\n<\/strong><\/pre>\n\n
Bidirektionale H\u00e4ufigkeitstabellen f\u00fcr einen DataFrame<\/strong><\/span><\/h3>\n
pd.crosstab(index=df[' Age<\/span> '], columns=df[' Grade<\/span> '])\n\n\nGrade A B C D\nAge\t\t\t\t\n18 3 1 1 0\n19 0 2 0 2\n20 0 1 0 0\n<\/strong><\/pre>\n