使用value_counts()函数可对DataFrame某一列进行计数，统计各唯一值出现次数。例如df['column_name'].value_counts()返回降序排列的频次结果；通过normalize参数可获取频率而非计数，sort和ascending控制排序方式，bins用于数值分箱，dropna=False可包含缺失值计数；调用to_frame(name='count')能将结果转为DataFrame便于后续分析。
pandas中对某一列进行计数，核心在于
value_counts()函数。它能快速统计DataFrame或Series中每个唯一值的出现次数，是数据探索和分析的利器。
使用
value_counts()方法，你可以轻松获取DataFrame某一列中各个值的频率分布。
如何使用value_counts()
对DataFrame列进行计数？
假设你有一个名为
df的DataFrame，想要统计
column_name这一列中各个值的出现次数，可以这样做：
import pandas as pd
# 示例DataFrame
data = {'column_name': ['A', 'B', 'A', 'C', 'B', 'A', 'B']}
df = pd.DataFrame(data)
# 使用value_counts()进行计数
counts = df['column_name'].value_counts()
print(counts)这段代码会输出
column_name列中每个值的计数结果。默认情况下，
value_counts()会按降序排列结果，出现次数最多的值排在最前面。
立即学习“Python免费学习笔记（深入）”；
value_counts()
的常用参数有哪些？
value_counts()方法还有一些常用的参数，可以帮助你更灵活地进行计数：
normalize
: 如果设置为True
，则返回每个值的频率而不是计数。例如，df['column_name'].value_counts(normalize=True)
将返回每个值出现的百分比。sort
: 默认值为True
，表示按计数降序排列结果。如果设置为False
，则不进行排序。ascending
: 默认值为False
，表示降序排列。如果设置为True
，则升序排列。bins
: 用于将连续数值数据分成离散的区间。例如，df['numeric_column'].value_counts(bins=5)
将把numeric_column
列的数据分成5个区间进行计数。dropna
: 默认值为True
，表示排除缺失值。如果设置为False
，则包含缺失值计数。
如何处理缺失值计数？
默认情况下，
value_counts()会忽略缺失值（NaN）。如果你想统计缺失值的数量，可以将
dropna参数设置为
False：
import pandas as pd
import numpy as np
# 示例DataFrame，包含缺失值
data = {'column_name': ['A', 'B', 'A', np.nan, 'B', 'A', 'B']}
df = pd.DataFrame(data)
# 包含缺失值计数
counts = df['column_name'].value_counts(dropna=False)
print(counts)这样，输出结果中就会包含缺失值的计数。
如何将计数结果转换为DataFrame？
有时，你可能需要将
value_counts()的输出结果转换为DataFrame，以便进行更复杂的分析。可以使用
to_frame()方法：
import pandas as pd
# 示例DataFrame
data = {'column_name': ['A', 'B', 'A', 'C', 'B', 'A', 'B']}
df = pd.DataFrame(data)
# 转换为DataFrame
counts_df = df['column_name'].value_counts().to_frame(name='count')
print(counts_df)这样，
counts_df就是一个DataFrame，其中包含两列：一列是原始列的值，另一列是对应的计数。你可以通过指定
name参数来设置计数列的名称。
