输出结果

Save success! F:\File_Python\Resources\data_csv_xls\demo_dataset\data_test01.csv

<class 'pandas.core.frame.DataFrame'>

RangeIndex: 6 entries, 0 to 5

Data columns (total 11 columns):

#   Column            Non-Null Count  Dtype  

---  ------            --------------  -----  

0   Name              6 non-null      object

1   Sex               6 non-null      object

2   Age               6 non-null      int64  

3   Age02             5 non-null      float64

4   Capitalisation    6 non-null      object

5   Capitalisation02  6 non-null      object

6   Education         6 non-null      object

7   Company           6 non-null      object

8   StockMarket       6 non-null      object

9   Score             6 non-null      int64  

10  Others            6 non-null      object

dtypes: float64(1), int64(2), object(8)

memory usage: 656.0+ bytes

None

  Unnamed: 0 Name Sex  Age  Age02  ...  Education Company  StockMarket Score Others

0           0   马云   男   56   56.0  ...          1    阿里巴巴           美股     3    150

1           1  马化腾   男   49   49.0  ...          1      腾讯           港股     2    200

2           2  李彦宏   男   51   51.0  ...          2      百度           美股    -3     50

3           3  刘强东   男   47   47.0  ...          1      京东           美股    -8      0

4           4  董明珠   女   66   66.0  ...          2      格力           A股    -2    300

[5 rows x 12 columns]

T1、统计某一【类别型】列StockMarket中各个值出现的次数：

美股     3

A股     1

未上市    1

港股     1

Name: StockMarket, dtype: int64

T2、统计某一【类别型】列StockMarket中各个值出现的次数：

美股    2

港股    1

Name: StockMarket, dtype: int64

实现代码

#DS之信息挖掘：利用pandas库统计某一列col中各个值出现的次数(降序输出)

import pandas as pd

from NDataScience.Makedata import data2csv

data_frame=pd.read_csv('F:\File_Python\Resources\data_csv_xls\demo_dataset\data_test01.csv')

print(data_frame.head())

CatColumn_name='StockMarket'

print('统计某一【类别型】列%s中各个值出现的次数：'%CatColumn_name,'\n',data_frame[CatColumn_name].value_counts()[:4])

print('统计某一【类别型】列%s中各个值出现的次数：'%CatColumn_name,'\n',data_frame[CatColumn_name].head(3).value_counts())

   

data_frame[CatColumn_name].value_counts().plot(kind='bar')

plt.xlabel(CatColumn_name)

plt.xticks(rotation=0)

plt.title('Distribution of category type columns')        

plt.show()