【Pandas】深入解析pandas中的统计汇总函数`count()`

【Pandas】深入解析pandas中的统计汇总函数count()

在数据处理和分析的领域中，pandas 是一个功能强大的工具，它提供了丰富的数据处理和分析函数。其中，count() 函数是 pandas 中用于统计非空（或非NaN）元素数量的重要函数。本文将深入解析 pandas 中的 count() 函数，并通过源代码和案例来帮助读者更好地理解和应用它。

一、count() 函数的基本用法

count() 函数是 pandas DataFrame 和 Series 对象的一个方法，用于计算非空（或非NaN）元素的数量。对于 DataFrame，count() 函数默认会沿着列（即轴0）进行统计，返回每一列中非空元素的数量。

import pandas as pd

# 创建一个简单的 DataFrame
data = {
    'A': [1, 2, None, 4, 5],
    'B': [10, 20, 30, None, 50],
    'C': [100, None, 300, 400, 500]
}
df = pd.DataFrame(data)

# 计算每一列中非空元素的数量
count_per_column = df.count()
print("每一列中非空元素的数量:")
print(count_per_column)

在这个例子中，我们创建了一个包含一些空值（None 在 pandas 中会被自动转换为 NaN）的 DataFrame。使用 count() 函数后，我们得到了每一列中非空元素的数量。

二、count() 函数的参数详解

count() 函数有一些可选参数，但通常我们在日常使用中很少需要用到这些参数，因为默认的行为（沿着列进行统计）已经足够满足大部分需求。不过，为了完整性，我们还是简要介绍一下这些参数。

• axis：指定沿着哪个轴进行统计。默认为 0（列），也可以设置为 1（行）。但在实际应用中，对于 DataFrame 对象，我们一般使用 axis=0 或省略该参数，因为沿着行进行统计的结果通常意义不大（因为每行中可能包含不同类型的数据）。
• level（仅对分层索引有效）：对于具有分层索引的 DataFrame，可以指定沿着哪个索引级别进行统计。但在常规 DataFrame 中，这个参数并不常用。
• numeric_only：布尔值，默认为 False。如果设置为 True，则仅对数字列进行统计。但在 count() 函数中，这个参数通常没有实际作用，因为 count() 函数会统计非空元素的数量，与元素的数据类型无关。

三、案例分析

假设我们有一个包含员工出勤数据的 DataFrame，我们需要统计每个员工的出勤天数。

# 创建一个包含员工出勤数据的 DataFrame
attendance_data = {
    'Employee': ['Alice', 'Bob', 'Charlie', 'Alice', 'Bob', 'Charlie', 'Alice'],
    'Date': ['2023-01-01', '2023-01-01', '2023-01-01', '2023-01-02', '2023-01-02', '2023-01-03', '2023-01-03'],
    'Present': [True, False, True, True, False, True, True]
}
df_attendance = pd.DataFrame(attendance_data)

# 将 'Date' 列转换为日期类型（如果还不是的话）
df_attendance['Date'] = pd.to_datetime(df_attendance['Date'])

# 使用 groupby 对员工进行分组，并计算每个员工的出勤天数
attendance_per_employee = df_attendance.groupby('Employee')['Present'].apply(lambda x: (x == True).sum())

# 另一种方法是使用 transform 和 sum，但这里我们使用了 apply 和 lambda 表达式来更清晰地展示逻辑
print("每个员工的出勤天数:")
print(attendance_per_employee)

# 注意：虽然这里我们没有直接使用 count() 函数，但逻辑上是相似的（统计某个条件下满足的元素数量）
# 如果我们只是想简单地统计每个员工的记录数（不考虑出勤与否），则可以使用 count() 函数
record_count_per_employee = df_attendance.groupby('Employee').count()['Date']
print("每个员工的记录数（不考虑出勤与否）:")
print(record_count_per_employee)

在这个案例中，我们首先创建了一个包含员工出勤数据的 DataFrame。然后，我们使用 groupby 函数对员工进行分组，并使用 apply 函数和 lambda 表达式来计算每个员工的出勤天数。虽然这里我们没有直接使用 count() 函数，但逻辑上我们是统计了满足某个条件（即出勤为True）的元素数量，这与 count() 函数的基本思想是一致的。不过，如果我们只是想简单地统计每个员工的记录数（不考虑出勤与否），那么 count() 函数就显得更为直接和便捷了。

在上面的代码中，我们使用 groupby 和 count() 函数来计算了每个员工的记录数，这里我们仅对 ‘Date’ 列进行了计数，因为 ‘Date’ 列的每一行都代表一个员工的出勤记录。

# 使用 groupby 和 count() 来统计每个员工的记录数（不考虑出勤与否）
record_count_per_employee = df_attendance.groupby('Employee').count()['Date']
print("每个员工的记录数（不考虑出勤与否）:")
print(record_count_per_employee)

四、总结

pandas 的 count() 函数是一个简单但非常实用的工具，用于统计 DataFrame 或 Series 中非空（或非NaN）元素的数量。在数据处理和分析过程中，我们经常需要知道哪些数据是有效的，哪些数据是缺失的，而 count() 函数正是帮助我们快速获取这些信息的重要工具之一。通过调整参数或使用 groupby 等函数进行分组统计，我们可以更加灵活地应用 count() 函数来满足不同的数据分析需求。希望本文的介绍和案例能够帮助读者更好地理解和使用 pandas 中的 count() 函数。