第Pandas中的unique()和nunique()區(qū)別詳解Pandas中Series和DataFrame的兩種數(shù)據(jù)類型中都有nunique()和unique()方法。這兩個(gè)方法作用很簡單，都是求Series或Pandas中的不同值。而unique()方法返回的是去重之后的不同值，而nunique()方法則直接放回不同值的個(gè)數(shù)。

具體如下：

如果Series或DataFrame中沒有None值，則unique()方法返回的序列數(shù)據(jù)的長度等于nunique()方法的返回值（如上述代碼中所展示的）。則當(dāng)Series或DataFrame中有None值時(shí)，這兩個(gè)就不一定相等了。具體如下：

從上述結(jié)果可知,nunique(）可以通過參數(shù)dropna來自定義設(shè)置在統(tǒng)計(jì)不同值過程中是否需要包含None值，而unique()方法中沒有可設(shè)置的參數(shù)，該方法在統(tǒng)計(jì)時(shí)無法排除None值。

1unique()

統(tǒng)計(jì)list中的不同值時(shí)，返回的是array.它有三個(gè)參數(shù)，可分別統(tǒng)計(jì)不同的量，返回的都是array.

當(dāng)list中的元素也是list時(shí)，盡量不要用這種方法.

importnumpyasnp

a=[1,5,4,2,3,3,5]

#返回一個(gè)array

print(np.unique(a))

#[12345]

#返回該元素在list中第一次出現(xiàn)的索引

print(np.unique(a,return_index=True))

#(array([1,2,3,4,5]),array([0,3,4,2,1]))

#返回原list中每個(gè)元素在新的list中對應(yīng)的索引

print(np.unique(a,return_inverse=True))

#(array([1,2,3,4,5]),array([0,4,3,1,2,2,4]))

#返回該元素在list中出現(xiàn)的次數(shù)

print(np.unique(a,return_counts=True))

#(array([1,2,3,4,5]),array([1,1,2,1,2]))

#當(dāng)加參數(shù)時(shí)，unique()返回的是一個(gè)tuple,這里利用了tuple的性質(zhì)，即有多少個(gè)元素即可賦值給對應(yīng)的多少個(gè)變量

p,q,m,n=np.unique(a,return_index=True,return_inverse=True,return_counts=True)

print(p,q,m,n)

#[12345][03421][0431224][11212]

#注意當(dāng)list中的元素不是數(shù)字而是list的時(shí)候,輸出的數(shù)據(jù)類型與list中元素的長度有關(guān)

#利用這種方法對list中元素去重或求里面元素的個(gè)數(shù)都不是好方法，很容易出錯(cuò)

統(tǒng)計(jì)series中的不同值時(shí)，返回的是array，它沒有其它參數(shù)

importpandasaspd

se=pd.Series([1,3,4,5,2,2,3])

print(se.unique())

#[13452]

2.nunique()

可直接統(tǒng)計(jì)dataframe中每列的不同值的個(gè)數(shù),也可用于series,但不能用于list.返回的是不同值的個(gè)數(shù).

df=pd.DataFrame({'A':[0,1,1],'B':[0,5,6]})

print(df)

print(df.nunique())

#AB

#000

#115

#216

#A2

#B3

#dtype:int64

也可與groupby結(jié)合使用,統(tǒng)計(jì)每個(gè)塊的不同值的個(gè)數(shù).

all_user_repay=all_user_repay.groupby(['user_id'])['listing_id'].agg(['nunique']).reset_index()

#user_idnunique

#0401

#1561

#2981

#31031

#41221

到此這篇關(guān)于Pandas中的