[[403886]]

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(gè)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(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(gè)訂單會包含很多明細(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

之所以說上一種方式是不準(zhǔn)確，是因?yàn)闆]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(gè) nan ，經(jīng)過去重后只會保留一個(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：

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：

• 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)

不過我自制了一個(gè)方法查詢器，這樣子不至于記錯(cuò)方法：