Python Pandas compter les Occurrences d'une valeur Spécifique

Vous pouvez créer subset de données avec votre condition et ensuite utiliser forme ou len:

print df
  col1 education
0    a       9th
1    b       9th
2    c       8th

print df.education == '9th'
0     True
1     True
2    False
Name: education, dtype: bool

print df[df.education == '9th']
  col1 education
0    a       9th
1    b       9th

print df[df.education == '9th'].shape[0]
2
print len(df[df['education'] == '9th'])
2

La Performance est intéressante, la solution la plus rapide est de comparer un tableau numpy et sum:

Code:

import perfplot, string
np.random.seed(123)


def shape(df):
    return df[df.education == 'a'].shape[0]

def len_df(df):
    return len(df[df['education'] == 'a'])

def query_count(df):
    return df.query('education == "a"').education.count()

def sum_mask(df):
    return (df.education == 'a').sum()

def sum_mask_numpy(df):
    return (df.education.values == 'a').sum()

def make_df(n):
    L = list(string.ascii_letters)
    df = pd.DataFrame(np.random.choice(L, size=n), columns=['education'])
    return df

perfplot.show(
    setup=make_df,
    kernels=[shape, len_df, query_count, sum_mask, sum_mask_numpy],
    n_range=[2**k for k in range(2, 25)],
    logx=True,
    logy=True,
    equality_check=False, 
    xlabel='len(df)')

Une élégante façon de compter les occurrences de '?' ou n'importe quel symbole dans n'importe quelle colonne, est d'utiliser la fonction intégrée dans isin d'un dataframe objet.

Supposons que nous avons chargé de la "Automobile" dataset en df objet.
Nous ne savons pas les colonnes qui contiennent des valeurs manquantes ('?' symbole), alors laissez-le faire:

df.isin(['?']).sum(axis=0)

DataFrame.isin(values) document officiel dit:

il retourne un booléen DataFrame indiquant si chaque élément dans le DataFrame
est contenue dans les valeurs

Noter que isin accepte un itérable en entrée, donc nous avons besoin pour passer d'une liste contenant la cible symbole pour cette fonction. df.isin(['?']) va retourner un booléen dataframe comme suit.

    symboling   normalized-losses   make    fuel-type   aspiration-ratio ...
0   False       True                False   False       False
1   False       True                False   False       False
2   False       True                False   False       False
3   False       False               False   False       False
4   False       False               False   False       False
5   False       True                False   False       False
...

Pour compter le nombre d'occurrence de symbole cible dans chaque colonne, nous allons prendre sum plus de toutes les lignes de la ci-dessus dataframe en indiquant axis=0.
La finale (tronquée) résultat montre ce que nous attendons:

symboling             0
normalized-losses    41
...
bore                  4
stroke                4
compression-ratio     0
horsepower            2
peak-rpm              2
city-mpg              0
highway-mpg           0
price                 4

facile, mais pas efficace:

list(df.education).count('9th')