建站
咨詢
售后
建站咨詢
新聞中心
這里有您想知道的互聯(lián)網(wǎng)營銷解決方案
聊一下關(guān)于去重計數(shù)的多種實現(xiàn)方式
本文轉(zhuǎn)載自微信公眾號「數(shù)據(jù)大宇宙」，作者卡門的兒子。轉(zhuǎn)載本文請聯(lián)系數(shù)據(jù)大宇宙公眾號。
這是一個關(guān)于 pandas 從基礎(chǔ)到進(jìn)階的練習(xí)題系列，來源于 github 上的 guipsamora/pandas_exercises 。這個項目從基礎(chǔ)到進(jìn)階，可以檢驗?zāi)阌卸嗝戳私?pandas。
我會挑選一些題目，并且提供比原題庫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。一個訂單會包含很多明細(xì)項，表中每個樣本(每一行)表示一個明細(xì)項
- order_id 列存在重復(fù)
- quantity 是明細(xì)項數(shù)量
需求：數(shù)據(jù)中共有多少個訂單?
下面是答案了
方式1
因為 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+計數(shù)：
- len(df.order_id.drop_duplicates())
- 1834
- Series.drop_duplicates() 返回的仍然是一個 Series
- len 函數(shù)可以計算 Series 值數(shù)量
但是你可能不知道的是，這個方式是不準(zhǔn)確的!
方式2
之所以說上一種方式是不準(zhǔn)確，是因為沒有考慮到空值的問題。
len 函數(shù)不會忽略空值(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 nan ，經(jīng)過去重后只會保留一個 nan 值
方式3
實際上，pandas 本身有提供一個忽略 nan 的計數(shù)方法：
- df.order_id.drop_duplicates().count()
點評：
這種方式個人認(rèn)為最合適
方式4
pandas 為列(Series)提供了一個快速匯總計數(shù)方法：
- df.order_id.value_counts()
- Series.value_counts() 相當(dāng)于 根據(jù) order id 分組，統(tǒng)計數(shù)量。并且排除 nan
這相當(dāng)于實現(xiàn)了去重，因此：
- df.order_id.value_counts().count()
點評：
- 這是原項目的解法，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
不過我自制了一個方法查詢器，這樣子不至于記錯方法：
文章標(biāo)題：聊一下關(guān)于去重計數(shù)的多種實現(xiàn)方式
文章分享：http://www.5511xx.com/article/cdshgjd.html
