本文轉(zhuǎn)載自微信公眾號(hào)「數(shù)據(jù)大宇宙」，作者卡門(mén)的兒子。轉(zhuǎn)載本文請(qǐng)聯(lián)系數(shù)據(jù)大宇宙公眾號(hào)。

這是一個(gè)關(guān)于 pandas 從基礎(chǔ)到進(jìn)階的練習(xí)題系列，來(lái)源于 github 上的 guipsamora/pandas_exercises 。這個(gè)項(xiàng)目從基礎(chǔ)到進(jìn)階，可以檢驗(yàn)?zāi)阌卸嗝戳私?pandas。

我會(huì)挑選一些題目，并且提供比原題庫(kù)更多的解決方法以及更詳盡的解析。

如下數(shù)據(jù)：

數(shù)據(jù)描述：

• 此數(shù)據(jù)是訂單明細(xì)表。一個(gè)訂單會(huì)包含很多明細(xì)項(xiàng)，表中每個(gè)樣本(每一行)表示一個(gè)明細(xì)項(xiàng)
• order_id 列存在重復(fù)
• quantity 是明細(xì)項(xiàng)數(shù)量

需求：數(shù)據(jù)中共有多少個(gè)訂單?

下面是答案了

方式1

因?yàn)?order_id 列是存在重復(fù)的，那么一種比較直觀的方式就是去重+計(jì)數(shù)：

 
 
 
 

  
  
  
  
len(df.order_id.drop_duplicates()) 
  
  
  
  
1834 
 
 
 
 

• Series.drop_duplicates() 返回的仍然是一個(gè) Series
• len 函數(shù)可以計(jì)算 Series 值數(shù)量

但是你可能不知道的是，這個(gè)方式是不準(zhǔn)確的!

方式2

之所以說(shuō)上一種方式是不準(zhǔn)確，是因?yàn)闆](méi)有考慮到空值的問(wèn)題。

len 函數(shù)不會(huì)忽略空值(nan) ，因此如果列中有空值，那么就比正確結(jié)果數(shù)量多。

正確的做法是：

 
 
 
 

  
  
  
  
len(df.order_id.drop_duplicates().dropna()) 
 
 
 
 

• 使用 Series.dropna() 方法可以去掉 nan 值

提示：

即使列中有多個(gè) nan ，經(jīng)過(guò)去重后只會(huì)保留一個(gè) nan 值

方式3

實(shí)際上，pandas 本身有提供一個(gè)忽略 nan 的計(jì)數(shù)方法：

 
 
 
 

  
  
  
  
df.order_id.drop_duplicates().count() 
 
 
 
 

點(diǎn)評(píng)：

這種方式個(gè)人認(rèn)為最合適

方式4

pandas 為列(Series)提供了一個(gè)快速匯總計(jì)數(shù)方法：

 
 
 
 

  
  
  
  
df.order_id.value_counts() 
 
 
 
 

• Series.value_counts() 相當(dāng)于 根據(jù) order id 分組，統(tǒng)計(jì)數(shù)量。并且排除 nan

這相當(dāng)于實(shí)現(xiàn)了去重，因此：

 
 
 
 

  
  
  
  
df.order_id.value_counts().count() 
 
 
 
 

點(diǎn)評(píng)：

• 這是原項(xiàng)目的解法，不太直觀，不推薦使用
• 我本人經(jīng)常把 value_counts 方法中s的位置搞錯(cuò)

不過(guò)我自制了一個(gè)方法查詢(xún)器，這樣子不至于記錯(cuò)方法：

名稱(chēng)欄目：聊一下關(guān)于去重計(jì)數(shù)的多種實(shí)現(xiàn)方式
分享網(wǎng)址：http://uogjgqi.cn/article/cdshgjd.html