pandas count

介绍

在数据分析和处理中，经常需要对数据进行计数统计。而pandas是一个功能强大的数据分析工具，提供了丰富的函数和方法来满足这种需求。其中，count函数就是一种常用的方法，用于统计非空值的数量。本文将详细介绍pandas中的count函数的用法和示例。

使用方法

count函数用于统计每列或每行中的非空值数量。其使用方法如下：

DataFrame.count(axis=0, level=None, numeric_only=False)

• axis参数：默认为0，表示对每列进行计数统计；当为1时，表示对每行进行计数统计。
• level参数：用于多级索引时，指定根据哪一级别进行计数统计。
• numeric_only参数：默认为False，表示包括所有数据类型进行计数统计；当为True时，只计数数值型数据的数量。

返回值为一个Series，其中索引为列（或行）名，值为非空值的数量。

示例演示

为了更好地理解count函数的用法，下面将给出一些示例演示。

示例数据

首先，让我们创建一个示例数据集，以便于后续的示例演示。

import pandas as pd

data = {'Name': ['Alice', 'Bob', 'Charlie', 'Alice', 'Bob'],
        'Age': [25, 32, 18, 25, 40],
        'Gender': ['Female', 'Male', 'Male', 'Female', 'Male'],
        'Income': [5000, None, 3000, 4000, 6000]}
df = pd.DataFrame(data)

创建了一个包含姓名(Name)、年龄(Age)、性别(Gender)和收入(Income)的DataFrame。其中，有一个空值为None。

统计每列的非空值数量

首先，让我们使用count函数统计每列的非空值数量。

column_count = df.count()
print(column_count)

输出为：

Name      5
Age       5
Gender    5
Income    4
dtype: int64

可以看到，count函数返回的结果是一个Series，其中索引为列名，值为每列的非空值数量。从结果中可以看出，每列都有5个非空值，只有”Income”列有一个空值。

统计每行的非空值数量

接下来，让我们使用count函数统计每行的非空值数量。

row_count = df.count(axis=1)
print(row_count)

输出为：

0    4
1    3
2    4
3    4
4    4
dtype: int64

同样地，count函数返回的结果是一个Series，其中索引为行号，值为每行的非空值数量。从结果中可以看出，每行都有4个非空值。

统计特定列的非空值数量

有时候，我们可能只关心某一列的非空值数量。此时，可以使用count函数的level参数指定要统计的列。

income_count = df['Income'].count()
print(income_count)

输出为：

4

这里我们只统计”Income”列的非空值数量，结果为4。

统计数值型数据的非空值数量

还有一种常见的情况是，我们只关心数值型的非空值数量。此时，可以使用count函数的numeric_only参数。

numeric_count = df.count(numeric_only=True)
print(numeric_count)

输出为：

Age       5
Income    4
dtype: int64

只有”Age”和”Income”两列是数值型数据，所以结果只统计了这两列的非空值数量。

总结

通过本文的介绍，我们了解了pandas中的count函数的用法和示例。它是一个非常有用的函数，可以用于统计每列或每行的非空值数量。无论是进行数据清洗、数据分析还是其他数据处理任务，都可以借助count函数来快速统计数据的完整度。