python 统计list中各个元素出现的频数

统计list中元素出现的频数有三种：

利用字典统计
利用Python的collection包下的Counter类统计
利用Python的pandas包下的value_counts类统计

一、利用字典统计

利用Python字典的键值对来进行统计。
逻辑就是，生成一个字典，将要统计的列表作为字典的键，然后对字典该键进行赋值，赋值方法采用字典的dict.get()函数。
Python 字典get() 函数返回指定键的值，如果值不在字典中返回默认值。

dict.get(key, default=None)

例：

a_list = ['dog', 'cat', 'dog', 'pig', 'pig', 'dog']
freq_dict = {}
for x in a_list :
    freq_dict[x] = freq_dict.get(x, 0) + 1
print(freq_dict)

输出结果：

{'dog': 3, 'cat': 1, 'pig': 2}

二、利用Python的collection包下Counter的类

例：

from collections import Counter
a = [1, 2, 3, 1, 1, 2]
result = Counter(a)
print result

输出结果：

{1: 3, 2: 2, 3: 1}

注：python中的collections 模块----Python标准库，是数据结构常用模块。
Counter主要功能：将元素数量统计，然后计数返回一个字典，键为元素，值为元素个数。
例：

from collections import  Counter

str="abcbcaccbbad"
li=[2,3,43,3,45,54,33,33,1]
d={'d':3,'f':4,'g':3,'h':5}

#获取元素个数，返回字典
print(dict(Counter(str)))
print(dict(Counter(d)))
print(dict(Counter(li)))

#most_common(int) 按照元素出现的次数进行从高到低的排序，返回前int个元素的字典
print(Counter(str).most_common(2))

#elements返回经过计算器Counter后的元素，返回的是一个迭代器
print(''.join(Counter(str).elements()))

#update更新，做加法，加上对应的个数
x=Counter(str)
x.update("sas1")
print(dict(x))

#subtract,做减法，减去对于的个数
y=Counter(li)
y.subtract([3,2])
print(dict(y))
print(y)

#获取key和value
print(list(Counter(str).items())) #字典的key和value
print(list(Counter(str).keys())) #字典的key
print(list(Counter(str).values())) #字典的value

输出结果：

{‘a’: 3, ‘b’: 4, ‘c’: 4, ‘d’: 1}
{‘d’: 3, ‘f’: 4, ‘g’: 3, ‘h’: 5}
{2: 1, 3: 2, 43: 1, 45: 1, 54: 1, 33: 2, 1: 1}
[(‘b’, 4), (‘c’, 4)]
aaabbbbccccd
{‘a’: 4, ‘b’: 4, ‘c’: 4, ‘d’: 1, ‘s’: 2, ‘1’: 1}
{2: 0, 3: 1, 43: 1, 45: 1, 54: 1, 33: 2, 1: 1}
Counter({33: 2, 3: 1, 43: 1, 45: 1, 54: 1, 1: 1, 2: 0})
[(‘a’, 3), (‘b’, 4), (‘c’, 4), (‘d’, 1)]
[‘a’, ‘b’, ‘c’, ‘d’]
[3, 4, 4, 1]

三、Python的pandas包下的value_counts方法

例：

import pandas as pd
a = [1, 2, 3, 1, 1, 2]
result = pd.value_counts(a)
print result

输出结果：
1 3
2 2
3 1

注：利用pandas下的value_counts()，不仅可以统计list中各个元素出现的个数，还可对矩阵中的元素进行进行统计。

例：

import pandas as pd
a = pd.DataFrame([[1,2,3],
                  [3,1,3],
                  [1,2,1]])
result = a.apply(pd.value_counts)
print result

输出结果：

        0        1        2 
  1    2.0     1.0       1.0        # 表示元素1在第一列出现2次，在第二列出现1次，在第三列出现1次
  2    NaN     2.0       NaN        # 表示元素2在第一列出现0次，在第二列出现2次，在第三列出现0次 
  3    1.0     NaN       2.0       # 表示元素3在第一列出现1次，在第二列出现0次，在第三列出现2次