Bagaimana Mengira Kekerapan Baris Berdasarkan Berbilang Lajur dalam Bingkai Data Pandas?

Susan Sarandon
Lepaskan: 2024-10-25 02:33:02
asal
267 orang telah melayarinya

How to Count the Frequency of Rows Based on Multiple Columns in a Pandas DataFrame?

Dapatkan Kiraan Kekerapan Berdasarkan Berbilang Lajur Bingkai Data

Untuk mencari kekerapan baris yang muncul berbilang kali dalam bingkai data, anda boleh menggunakan operasi kumpulan mengikut sama ada dengan fungsi saiz atau kiraan. Mari kita tunjukkan ini dengan contoh kerangka data:

import pandas as pd

# Sample dataframe
data = {'Group': ['Short', 'Short', 'Moderate', 'Moderate', 'Tall'], 'Size': ['Small', 'Small', 'Medium', 'Small', 'Large']}
df = pd.DataFrame(data)
Salin selepas log masuk

Pilihan 1: Menggunakan kumpulan mengikut saiz dan

dfg = df.groupby(['Group', 'Size']).size()
print(dfg)
Salin selepas log masuk

Output:

Group     Size
Moderate  Medium    1
          Small     1
Short     Small     2
Tall      Large     1
dtype: int64
Salin selepas log masuk

Pilihan 2: Menggunakan groupby, size dan reset_index

dfg = df.groupby(['Group', 'Size']).size().reset_index(name='Time')
print(dfg)
Salin selepas log masuk

Output:

      Group    Size  Time
0  Moderate  Medium     1
1  Moderate   Small     1
2     Short   Small     2
3      Tall   Large     1
Salin selepas log masuk
Salin selepas log masuk

Pilihan 3: Menggunakan groupby, size dan as_index

dfg = df.groupby(['Group', 'Size'], as_index=False).size()
print(dfg)
Salin selepas log masuk

Output:

      Group    Size  Time
0  Moderate  Medium     1
1  Moderate   Small     1
2     Short   Small     2
3      Tall   Large     1
Salin selepas log masuk
Salin selepas log masuk

Setiap pilihan mengembalikan bingkai data dengan lajur Kumpulan dan Saiz, yang menunjukkan gabungan baris tertentu yang muncul dalam bingkai data asal. Lajur Masa tambahan menunjukkan kiraan kekerapan untuk setiap gabungan.

Atas ialah kandungan terperinci Bagaimana Mengira Kekerapan Baris Berdasarkan Berbilang Lajur dalam Bingkai Data Pandas?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

sumber:php.cn
Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn
Artikel terbaru oleh pengarang
Tutorial Popular
Lagi>
Muat turun terkini
Lagi>
kesan web
Kod sumber laman web
Bahan laman web
Templat hujung hadapan