5種高效利用value-counts函數的方法，一鍵提升數據挖掘姿勢水平

選自towardsdatascience作者：Parul Pandey

數據挖掘是機器學習領域的一個重要組成部分。在確定訓練哪種模型以及訓練多少模型之前，我們必須對數據包含的內容有所瞭解。Pandas 庫為此提供了許多有用的函數，value_counts 就是其中之一。此函數返回 pandas 數據框中各個項的數量。但在使用 value-counts 函數的大多數時候用到的是默認參數。因此，在這篇短文中，作者介紹瞭如何通過自定義參數來實現更多的功能。

value_counts()

value_counts() 方法返回一個序列 Series，該序列包含每個值的數量。也就是說，對於數據框中的任何列，value-counts () 方法會返回該列每個項的計數。
語法

Series.value_counts()

參數

圖源：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.value_counts.html
基本用法

作者通過以下數據集來觀察 value-count () 函數的基本用法，其中 Demo 中使用了 Titanic 數據集。她還在 Kaggle 上發佈了一個配套的 notebook。
代碼鏈接：https://www.kaggle.com/parulpandey/five-ways-to-use values -counts

導入數據集

# Importing necessary librariesimport pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline# Reading in the data
train = pd.read_csv('../input/titanic/train.csv')

瞭解數據集的前幾行內容

train.head()

統計無效值數量

train.isnull().sum()

由上圖可見，Age、Cabin 和 Embarked 列都有無效值。通過這些分析，我們就對數據集有了初步的瞭解。現在就讓我們來看一下 value_counts() 是如何對這個數據集進行進一步探索的，那 5 個高效方法又是什麼呢？

首先在數據集的 Embarked 列上使用 value_counts ()，這樣會對該列中出現的每個值進行計數。

train['Embarked'].value_counts()
-------------------------------------------------------------------
S 644
C 168
Q 77

這個函數會對給定列裡面的每個值進行計數並進行降序排序，無效值也會被排除。我們很容易就能看出，Southampton 出發的人最多，其次是 Cherbourg 和 Queenstown。
如何用 value_counts() 求各個值的相對頻率

有時候，百分比比單純計數更能體現數量的相對關係。當 normalize = True 時，返回的對象將包含各個值的相對頻率。默認情況下，normalize 參數被設為 False。

train['Embarked'].value_counts(normalize=True)
-------------------------------------------------------------------
S 0.724409
C 0.188976
Q 0.086614

因此，知道有 72% 的人從 Southampton 出發比單純知道 644 個人從 Southampton 出發要直觀得多。如何實現升序的 value_counts()

默認情況下，value_counts () 返回的序列是降序的。我們只需要把參數 ascending 設置為 True，就可以把順序變成升序。

train['Embarked'].value_counts(ascending=True)
-------------------------------------------------------------------
Q 77
C 168
S 644

如何用 value_counts() 展示 NaN 值的計數默認情況下，無效值（NaN）是不會被包含在結果中的。但是跟之前一樣的，只需要把 dropna 參數設置成 False，你也就可以對無效值進行計數。

train['Embarked'].value_counts(dropna=False)
-------------------------------------------------------------------
S 644
C 168
Q 77
NaN 2

我們可以很直觀地觀察到該列內有兩個無效值。
如何用 value_counts() 將連續數據放進離散區間

這是 value_counts() 所有功能中作者最喜歡的，也是利用最充分的。改變參數 bin 的值，value_counts 就可以將連續數據放進離散區間。這個選項只有當數據是數字型時才會有用。它跟 pd.cut 函數很像，讓我們來看一下它是如何在 Fare 這一列大顯身手的吧！

# applying value_counts on a numerical column without the bin parametertrain['Fare'].value_counts()

這個結果並不能告訴我們什麼信息，因為類別太多了。所以讓我們把它集合到 7 個區間裡。

train['Fare'].value_counts(bins=7)

區間化（Binning）之後的結果更容易理解。我們可以很容易地看到，大多數人支付的票款低於 73.19。此外，我們還可以發現，有五個區間是我們需要的，並且沒有乘客的最後兩個區間是沒用的。因此，我們可以看到，value_counts() 函數是一個非常方便的工具，我們可以使用這一行代碼進行一些有趣的分析。

閱讀更多 機器之心Pro 的文章

關鍵字: 泰坦尼克號 機器學習 一鍵