Pandas pd.value_counts() 関数

Pandas 通用函数Pandas よく使う関数

pd.value_counts()Pandasライブラリで使用される各値の出現頻度を集計する関数です。配列内の各一意な値の出現回数を計算し、頻度の降順で返します。

これはカテゴリデータ分析で最もよく使われる関数の1つで、データの分布状況をすばやく把握できます。例えば、投票結果や製品カテゴリの分布などを集計できます。

単語の意味： value_counts「値を集計する」という意味で、各値の出現回数を数えます。

基本構文とパラメータ

pd.value_counts()Pandasライブラリのトップレベル関数で、各一意な値の頻度を計算します。

構文形式

pd.value_counts(values, sort=True, ascending=False, normalize=False, bins=None, dropna=True)

パラメータの説明

  • パラメータ： values
    • 型: Series、配列類似オブジェクト。
    • 説明: 頻度を集計するデータ。通常はSeriesです。
  • パラメータ： sort
    • 型: ブール値。
      • 頻度で並べ替えるかどうか。デフォルトはTrue（頻度の降順）。
  • パラメータ： ascending
    • 型: ブール値。
      • もしTrueの場合は頻度の昇順で並べ替え、もしFalse（デフォルト）の場合は頻度の降順で並べ替えます。
  • パラメータ： normalize
    • 型: ブール値。
      • もしTrueの場合は、絶対頻度ではなく各値の出現割合（0から1の間）を返します。デフォルトはFalse。
  • パラメータ： bins
    • 型: 整数またはNone。
      • 整数を指定すると、数値データをビンに分割して頻度を集計します（ヒストグラムに似ています）。カテゴリデータには適用できません。
  • パラメータ： dropna
    • 型: ブール値。
      • NaNを統計結果に含めるかどうか。デフォルトはTrue（含めない）。

    • 関数の説明

    • 戻り値: 一意な値をインデックスとし、頻度（または割合）を値とするSeriesを返します。
    • 効果: 各一意な値の出現回数を集計して表示します。

    例

    簡単なものから複雑なものまでの一連の例を通して、完全に習得しましょうpd.value_counts()の使い方を。

    例1：基本的な使い方 - カテゴリデータの頻度を集計する

    例

    import pandas as pd
    import numpy as np

    # 1. 重複する値を持つSeriesを作成
    colors = pd.Series(['red', 'blue', 'green', 'red', 'blue', 'yellow', 'red', 'blue', 'blue'])

    print("=== 元のSeries ===")
    print(colors)

    # 2. pd.value_counts() を使って頻度を集計
    result = pd.value_counts(colors)
    print("\n=== pd.value_counts() による頻度集計 ===")
    print(result)

    実行結果の想定:

    === 原始 Series ===
0       red
1      blue
2     green
3       red
4     blue
5     yellow
6       red
7      blue
8       blue
dtype: object

=== pd.value_counts() 频次统计 ===
blue      4
red       3
green     1
yellow    1
dtype: int64

    コードの解説:

    1. 結果は頻度の降順で並び、blueが最も多く（4回）、redが次に多く（3回）、greenとyellowがそれぞれ1回です。
    2. 返されるのはSeriesで、インデックスは色の値、値は出現回数です。

    例2：normalizeパラメータを使用して割合を計算する

    normalize=True頻度を割合に変換して、データの相対的な分布を確認しやすくします。

    例

    import pandas as pd
    import numpy as np

    # 投票データを作成
    votes = pd.Series(['A', 'B', 'A', 'C', 'A', 'B', 'A', 'A', 'C', 'B', 'A', 'B'])

    print("=== 投票データ ===")
    print(votes)

    # 1. 絶対頻度
    print("\n=== 絶対頻度 ===")
    print(pd.value_counts(votes))

    # 2. 相対割合（normalize=True）
    print("\n=== 相対割合 ===")
    result_normalized = pd.value_counts(votes, normalize=True)
    print(result_normalized)
    print(f"\n割合の合計: {result_normalized.sum():.2f}")

    # 3. 昇順に並べ替え
    print("\n=== 昇順の並べ替え ===")
    print(pd.value_counts(votes, ascending=True))

    実行結果の想定:

    === 投票数据 ===
0        A
1        B
2        A
3        C
4        A
5        B
值 'A' 出现 6 次，占 50%
值 'B' 出现 4 次，约 33.3%
值 'C' 出现 2 次，约 16.7%

=== 相对比例 ===
A    0.500000
B    0.333333
C    0.166667
dtype: float64

=== 升序排列 ===
C    2
B    4
A    6
dtype: int64

    コードの解説:

    • を使用するとnormalize=True各カテゴリの割合をすばやく計算できます。
    • すべての割合を合計すると1.0になり、割合の分析に便利です。
    • を使用するとascending=True頻度の昇順で結果を確認できます。

    例3：数値データの処理とbinsパラメータの使用

    連続する数値には、binsパラメータを使用してビン分割集計ができます。

    例

    import pandas as pd
    import numpy as np

    # 1. 数値データを作成
    scores = pd.Series([85, 90, 78, 92, 88, 76, 95, 82, 70, 89, 91, 77, 84, 86])

    print("=== 学生の成績 ===")
    print(scores)

    # 2. ビン分割なし - 各一意な値を集計
    print("\n=== 各得点の集計 ===")
    print(pd.value_counts(scores))

    # 3. binsパラメータでビン分割
    print("\n=== 4つのビンに分割 ===")
    result_bins = pd.value_counts(scores, bins=4)
    print(result_bins)

    # 4. ビンの境界を確認
    print("\n=== ビンの境界 ===")
    print(f"最小値: {scores.min()}, 最大値: {scores.max()}")

    実行結果の想定:

    === 学生成绩 ===
[85, 90, 78, 92, 88, 76, 95, 82, 70, 89, 91, 77, 84, 86]

=== 统计每个分数 ===
85    2
90    1
78    1
92    1
88    1
76    1
95    1
82    1
70    1
89    1
91    1
77    1
84    1
86    1
Name: count, dtype: int64

=== 分成 4 个箱 ===
  result_bins = pd.value_counts(scores, bins=4)
(88.75, 95.0]                 5
(82.5, 88.75]                 4
(76.25, 82.5]                 3
(69.97399999999999, 76.25]    2
Name: count, dtype: int64

=== 分箱边界 ===
最小值: 70, 最大值: 95

    これはヒストグラムに似ており、成績の分布が中高得点帯に集中していることがわかります。binsパラメータは数値データを範囲ごとに離散的なビンに分割し、各ビン内のデータ量を集計します。

    例4：欠損値の処理

    を使用するとdropnaパラメータで欠損値を集計するかどうかを制御できます。

    例

    import pandas as pd
    import numpy as np

    # 1. 欠損値を含むデータ
    data = pd.Series(['a', 'b', np.nan, 'a', None, 'c', np.nan, 'b', 'a'])

    print("=== 欠損値を含むデータ ===")
    print(data)

    # 2. デフォルトではNaNを含めない（dropna=True）
    print("\n=== デフォルトではNaNを含めない ===")
    print(pd.value_counts(data))

    # 3. NaNを含める（dropna=False）
    print("\n=== NaNを含める ===")
    print(pd.value_counts(data, dropna=False))

    # 4. 数値型の欠損値を集計
    numeric_data = pd.Series([1, 2, np.nan, 3, 2, np.nan, 1, 4])
    print("\n=== 数値型データにNaNを含める ===")
    print(pd.value_counts(numeric_data, dropna=False))

    実行結果の想定:

    === 包含缺失值的数据 ===
0       a
1       b
2     NaN
3       a
4    None
5       c
6     NaN
7       b
8       a
dtype: object

=== 默认不包含 NaN ===
a    3
b    2
c    1
dtype: 64

=== 包含 NaN (dropna=False) ===
a       3
b       2
NaN     2  # 2 个 NaN (2 个 np.nan)
c       1
dtype: int64

=== 数值型数据包含 NaN ===
1.0    2
2.0    2
NaN    2  # 2 个 NaN
3.0    1
4.0    1
dtype: int64

    コードの解説:

    • デフォルトでは（dropna=True）、NaN値は集計されません。
    • を使用するとdropna=False欠損値の数を確認できます。これはデータ品質分析に役立ちます。
    • 数値型データにも同様に適用できます。

    ヒント： pd.value_counts()は探索的データ分析において最も重要な関数の1つで、データの分布をすばやく把握できます。頻度を必要とせず一意な値のリストだけが必要な場合は、pd.unique()関数を使用してください。

    Pandas 常用函数Pandas よく使う関数

    その他の拡張