python - value_counts - Cuente valores únicos con pandas por grupos

tabla de frecuencias en python

Question

Esta pregunta ya tiene una respuesta aquí:

• Pandas cuenta (distinto) equivalente 5 respuestas

Necesito contar valores de ID únicos en cada domain que tengo datos

ID, domain
123, ''vk.com''
123, ''vk.com''
123, ''twitter.com''
456, ''vk.com''
456, ''facebook.com''
456, ''vk.com''
456, ''google.com''
789, ''twitter.com''
789, ''vk.com''

Intento df.groupby([''domain'', ''ID'']).count() Pero quiero obtener

domain, count
vk.com 3
twitter.com 2
facebook.com 1
google.com 1

Answer 1

En general, para contar valores distintos en una sola columna, puede usar Series.value_counts :

df.domain.value_counts()
#''vk.com'' 5
#''twitter.com'' 2
#''facebook.com'' 1
#''google.com'' 1
#Name: domain, dtype: int64

Para ver cuántos valores únicos en una columna, use Series.nunique :

df.domain.nunique()
# 4

Para obtener todos estos valores distintos, puede usar unique o drop_duplicates , la ligera diferencia entre las dos funciones es que unique devuelve un numpy.array mientras drop_duplicates devuelve un pandas.Series .

df.domain.unique()
# array(["''vk.com''", "''twitter.com''", "''facebook.com''", "''google.com''"], dtype=object)
df.domain.drop_duplicates()
#0 ''vk.com''
#2 ''twitter.com''
#4 ''facebook.com''
#6 ''google.com''
#Name: domain, dtype: object

En cuanto a este problema específico, dado que le gustaría contar un valor distinto con respecto a otra variable, además del método groupby proporcionado por otras respuestas aquí, también puede simplemente eliminar duplicados primero y luego hacer value_counts() :

import pandas as pd
df.drop_duplicates().domain.value_counts()
# ''vk.com'' 3
# ''twitter.com'' 2
# ''facebook.com'' 1
# ''google.com'' 1
# Name: domain, dtype: int64

Answer 2

IIUC desea el número de ID diferentes para cada domain , luego puede intentar esto:

output = df.drop_duplicates()
output.groupby(''domain'').size()

salida:

 domain
facebook.com 1
google.com 1
twitter.com 2
vk.com 3
dtype: int64

También podría usar value_counts , que es un poco menos eficiente. value_counts lo mejor es la respuesta de Jezrael usando nunique :

%timeit df.drop_duplicates().groupby(''domain'').size()
1000 loops, best of 3: 939 µs per loop
%timeit df.drop_duplicates().domain.value_counts()
1000 loops, best of 3: 1.1 ms per loop
%timeit df.groupby(''domain'')[''ID''].nunique()
1000 loops, best of 3: 440 µs per loop

Answer 3

Necesitas nunique :

df = df.groupby(''domain'')[''ID''].nunique()
print (df)
domain
''facebook.com'' 1
''google.com'' 1
''twitter.com'' 2
''vk.com'' 3
Name: ID, dtype: int64

Si necesita strip '' caracteres:

df = df.ID.groupby([df.domain.str.strip("''")]).nunique()
print (df)
domain
facebook.com 1
google.com 1
twitter.com 2
vk.com 3
Name: ID, dtype: int64

O como Jon Clements comentó:

df.groupby(df.domain.str.strip("''"))[''ID''].nunique()

Puede retener el nombre de la columna de esta manera:

df = df.groupby(by=''domain'', as_index=False).agg({''ID'': pd.Series.nunique})
print(df)
domain ID
0 fb 1
1 ggl 1
2 twitter 2
3 vk 3

La diferencia es que nunique() devuelve una serie y agg() devuelve un marco de datos.

Answer 4

df.domain.value_counts ()

>>> df.domain.value_counts()
vk.com 5
twitter.com 2
google.com 1
facebook.com 1
Name: domain, dtype: int64