Valores de recuento en el marco de datos de Pandas

En este artículo, vamos a contar valores en el marco de datos de Pandas. Primero, crearemos un marco de datos y luego contaremos los valores de diferentes atributos.

Sintaxis: DataFrame.count(axis=0, level=Ninguno, numeric_only=False)

Parámetros:

• eje {0 o ‘índice’, 1 o ‘columnas’}: predeterminado 0 Se generan recuentos para cada columna si eje=0 o eje=’índice’ y se generan recuentos para cada fila si eje=1 o eje=”columnas” .
• level (nt o str, opcional): si el eje es un MultiIndex, cuente a lo largo de un nivel particular, colapsando en un DataFrame. Una string especifica el nombre del nivel.
• numeric_only (booleano, predeterminado Falso): Incluye solo valor int, float o booleano.

Devoluciones:  devuelve el recuento de valores no nulos y, si se usa el nivel, devuelve el marco de datos

Enfoque paso a paso:

Paso 1: Importación de bibliotecas.

# importing libraries
import numpy as np
import pandas as pd

Paso 2: Crear marco de datos

# Creating dataframe with
# some missing values
NaN = np.nan
dataframe = pd.DataFrame({'Name': ['Shobhit', 'Vaibhav',
                                   'Vimal', 'Sourabh',
                                   'Rahul', 'Shobhit'],
                          'Physics': [11, 12, 13, 14, NaN, 11],
                          'Chemistry': [10, 14, NaN, 18, 20, 10],
                          'Math': [13, 10, 15, NaN, NaN, 13]})
 
display(dataframe)

Producción:

Marco de datos creado

Paso 3: En este paso, simplemente usamos la función .count() para contar todos los valores de diferentes columnas.

# using dataframe.count()
# to count all values
dataframe.count()

Producción:

Podemos ver que hay una diferencia en el valor de conteo ya que nos faltan valores. Hay 5 valores en la columna Nombre, 4 en Física y Química y 3 en Matemáticas. En este caso, usa su argumento con sus valores predeterminados.

Paso 4: si queremos contar todos los valores con respecto a la fila, debemos pasar eje = 1 o ‘columnas’.

# we can pass either axis=1 or
# axos='columns' to count with respect to row
print(dataframe.count(axis = 1))
 
print(dataframe.count(axis = 'columns'))

Producción:

contar con respecto a la fila

Paso 5: Ahora, si queremos contar valores nulos en nuestro marco de datos.

# it will give the count
# of individual columns count of null values
print(dataframe.isnull().sum())
 
# it will give the total null
# values present in our dataframe
print("Total Null values count: ",
      dataframe.isnull().sum().sum())

Producción:

Paso 6: . Algunos ejemplos para usar .count()

Ahora queremos contar ninguno de los estudiantes cuyas calificaciones en física sean mayores de 11.

# count of student with greater
# than 11 marks in physics
print("Count of students with physics marks greater than 11 is->",
      dataframe[dataframe['Physics'] > 11]['Name'].count())
 
# resultant of above dataframe
dataframe[dataframe['Physics']>11]

Producción:

Física>11

Conteo de estudiantes cuyas calificaciones en física son mayores a 10, calificaciones en química mayores a 11 y calificaciones en matemáticas mayores a 9.

# Count of students whose physics marks
# are greater than 10,chemistry marks are
# greater than 11 and math marks are greater than 9.
print("Count of students ->",
      dataframe[(dataframe['Physics'] > 10) &
                (dataframe['Chemistry'] > 11) &
                (dataframe['Math'] > 9)]['Name'].count())
 
# dataframe of above result
dataframe[(dataframe['Physics'] > 10 ) &
          (dataframe['Chemistry'] > 11 ) &
          (dataframe['Math'] > 9 )]

Producción:

Física>10, Química>11, Matemáticas>9

A continuación se muestra la implementación completa:

# importing Libraries
import pandas as pd
import numpy as np
 
# Creating dataframe using dictionary
NaN = np.nan
dataframe = pd.DataFrame({'Name': ['Shobhit', 'Vaibhav',
                                   'Vimal', 'Sourabh',
                                   'Rahul', 'Shobhit'],
                          'Physics': [11, 12, 13, 14, NaN, 11],
                          'Chemistry': [10, 14, NaN, 18, 20, 10],
                          'Math': [13, 10, 15, NaN, NaN, 13]})
 
print("Created Dataframe")
print(dataframe)
 
# finding Count of all columns
print("Count of all values wrt columns")
print(dataframe.count())
 
# Count according to rows
print("Count of all values wrt rows")
print(dataframe.count(axis=1))
print(dataframe.count(axis='columns'))
 
# count of null values
print("Null Values counts ")
print(dataframe.isnull().sum())
print("Total null values",
      dataframe.isnull().sum().sum())
 
# count of student with greater
# than 11 marks in physics
print("Count of students with physics marks greater than 11 is->",
      dataframe[dataframe['Physics'] > 11]['Name'].count())
 
# resultant of above dataframe
print(dataframe[dataframe['Physics'] > 11])
print("Count of students ->",
      dataframe[(dataframe['Physics'] > 10) &
                (dataframe['Chemistry'] > 11) &
                (dataframe['Math'] > 9)]['Name'].count())
 
print(dataframe[(dataframe['Physics'] > 10) &
                (dataframe['Chemistry'] > 11) &
                (dataframe['Math'] > 9)])

Producción: