pandas中value_counts()函数的详细用法与参数解析

季宁

发布时间：2026-10-13 | 4人浏览过

原创

本文详解pandas库中value_counts()函数的使用方法。涵盖Series单个列的频次统计、默认降序与升序排列、normalize参数计算占比，以及DataFrame多列批量统计。重点解析ascending和normalize参数的具体应用及空值处理机制，帮助开发者高效进行数据分布分析。

pandas value_counts() 函数概述

在pandas数据处理中，经常需要确认数据出现的频率，此时常用value_counts()函数来实现这一需求。

Series 数据类型的计数与排序

1. Series 情况下的应用：

pandas 提供的 value_counts() 函数能够对 Series 对象中的每个唯一值进行计数，并自动按计数结果进行排序。


import pandas as pd
df = pd.DataFrame({'区域' : ['西安', '太原', '西安', '太原', '郑州', '太原'], 
         '10月份销售' : ['0.477468', '0.195046', '0.015964', '0.259654', '0.856412', '0.259644'],
         '9月份销售' : ['0.347705', '0.151220', '0.895599', '0236547', '0.569841', '0.254784']})
print(df)

例如，统计数据集中每个区域出现的次数：


print(df['区域'].value_counts())

执行后，每个区域都会被单独计数，且默认情况下结果按计数值从高到低进行排序。

若希望结果按升序排列，可以设置参数 ascending = True：


print(df['区域'].value_counts(ascending=True))

如果需要计算每个值出现的计数占比，可以添加参数 normalize=True：


print(df['区域'].value_counts(normalize=True))

注意：默认情况下，空值（NaN）会被剔除不计入结果。value_counts() 返回的结果是一个 Series 对象，可以直接与其他数组或 Series 进行数学计算。

DataFrame 数据类型的批量统计

2. DataFrame 情况下的应用：


import pandas as pd
df = pd.DataFrame({'区域1' : ['西安', '太原', '西安', '太原', '郑州', '太原'],
          '区域2' : ['太原', '太原', '西安', '西安', '西安', '太原']})
print(df.apply(pd.value_counts))