Pandas DataFrame 列值频率计数

在本文中，我们将介绍 Pandas DataFrame 中如何快速统计一个列中各个不同元素出现的频率，并将结果返回给一个新的 DataFrame。

在很多数据处理的情况下，需要对某个列中的值频率进行统计，常见的应用场景包括统计某个城市的人口分布、对某个商品的销售数据进行分析等。

为了方便演示，我们将以美国疾病控制与预防中心（CDC）提供的 2008 年至 2012 年加州交通事故数据集为例。该数据集包含了加州各地区的相关数据信息，其中涵盖了车辆信息、人员信息、交通事故严重程度等。

首先，我们需要加载该数据集并预处理好相关数据：

import pandas as pd

# 读入数据集
accidents = pd.read_csv("accidents.csv")

# 取出交通事故数据集中人员的伤势级别
severity = accidents[["PERSONS", "SEVERITY"]]

# 剔除伤势级别不明的数据
severity = severity[severity["SEVERITY"].notna()]

# 将伤势级别转换为整型
severity["SEVERITY"] = severity["SEVERITY"].astype(int)

# 统计伤势级别的出现频率
severity_counts = severity["SEVERITY"].value_counts()

我们定义了一个名为 severity 的 DataFrame，该 DataFrame 从原始数据集中仅提取了与人员信息和伤势级别两个字段相关的数据。为了避免统计中出现无法识别伤势级别的数据，我们将数据进行了剔除。然后，我们将数据类型转换为整型，并使用 Pandas 提供的 value_counts() 函数对数据进行了频率统计。

接下来，我们将频率统计结果导出到一个新的 DataFrame 中：

# 构造一个新的 DataFrame，存储不同伤势级别出现的次数
severity_df = pd.DataFrame(
    {"severity": severity_counts.index, "count": severity_counts.values}
)

在这里，我们使用了 Pandas DataFrame 的构造函数，通过字典的方式构造了一个新的 DataFrame。该 DataFrame 包含了不同伤势级别出现次数的数据，并存储在 count 字段中。现在，我们可以使用该 DataFrame 进行相关数据的分析和可视化：

import matplotlib.pyplot as plt

# 设置plots绘图风格为ggplot
plt.style.use("ggplot")

# 绘制水平柱状图
plt.barh(severity_df["severity"], severity_df["count"])

# 设置标题与X/Y轴标签
plt.title("Severity Distribution in California Accidents")
plt.xlabel("Accidents Count")
plt.ylabel("Severity Level")

# 显示图像
plt.show()

该代码段通过指定风格、绘制柱状图并设置标题和轴标签将数据可视化

可以很清楚地看到不同伤势级别在事故中出现的频率情况，该结果对于我们理解交通事故的危险级别有较大帮助。

阅读更多：Pandas 教程

总结

本文通过简单介绍 Pandas DataFrame 中如何快速统计一个列中各个不同元素出现的频率，并将结果返回给一个新的 DataFrame。我们首先使用加州交通事故数据集为例进行数据的加载和预处理，然后使用 value_counts() 函数进行数据的频率统计。最后，我们为频率统计的结果创建了一个新的 DataFrame 并通过 matplotlib 库进行图形化和可视化。

这个方法可以用于各种数据分析和数据处理任务中。在某些情况下，我们需要对列中的值计数并按特定顺序呈现，例如对文章中的单词进行计数并按照频率进行排序。在这种情况下，我们可以使用 Pandas DataFrame 中的 groupby() 函数和 sort_values() 函数来实现。

如何最大化利用频率计数的功能，需要根据具体的数据集进行分析和处理。希望本文能够对实际数据处理的读者有所帮助。