数据计数用于计算某个值在数据对象中出现的次数，使用value_counts()函数来实现。

import pandas as pd
df=pd.read_excel(r"D:\PythonTestFile\exam.xlsx")
print(df,'\n')
print(df['Chinese'].value_counts())

运行结果为：

       Name     Sex  Chinese  English  Math
0      Noah    male       90       50    66
1      Emma  female       56       56    55
2      Noah    male       90       50    66
3    Olivia  female       86       87    44
4      Liam    male       55       88    69
5    Sophia  female       90       66    96
6      Liam    male       55       88    69
7  Isabella  female       66       85    55 

90    3
55    2
56    1
66    1
86    1
Name: Chinese, dtype: int64

以上示例中对Chinese列的每个值出现的次数进行了计数，其中90出现了3次；55出现了2次；其他的各出现了1次。

计数的结果默认是按值降序排列。实际上，结果的排序涉及到value_counts()函数的参数sort，它决定了结果是否进行排序，默认情况下sort=True。也可以将其设为False，即不排序。

import pandas as pd
df=pd.read_excel(r"D:\PythonTestFile\exam.xlsx")
print(df,'\n')
print(df['Chinese'].value_counts(sort=False))

运行结果为：

       Name     Sex  Chinese  English  Math
0      Noah    male       90       50    66
1      Emma  female       56       56    55
2      Noah    male       90       50    66
3    Olivia  female       86       87    44
4      Liam    male       55       88    69
5    Sophia  female       90       66    96
6      Liam    male       55       88    69
7  Isabella  female       66       85    55 

56    1
90    3
66    1
86    1
55    2
Name: Chinese, dtype: int64

在进行排序的情况下（即sort=True或省略时），value_counts()函数的参数ascending决定结果是按升序还是降序排列。默认ascending=False（降序），可以将其设为True，使计数结果按升序排列。

import pandas as pd
df=pd.read_excel(r"D:\PythonTestFile\exam.xlsx")
print(df,'\n')
print(df['Chinese'].value_counts(ascending=True))

运行结果为：

       Name     Sex  Chinese  English  Math
0      Noah    male       90       50    66
1      Emma  female       56       56    55
2      Noah    male       90       50    66
3    Olivia  female       86       87    44
4      Liam    male       55       88    69
5    Sophia  female       90       66    96
6      Liam    male       55       88    69
7  Isabella  female       66       85    55 

56    1
66    1
86    1
55    2
90    3
Name: Chinese, dtype: int64

很显然，如果参数sort=False，即不排序情况下，ascending的设置将无效。

除了简单的计数，还可以使用value_counts()函数查看某个值的计数的占比情况，也就是某个值出现的次数占全部值出现次数的比例。需要向value_counts()函数传递参数normalize=True。

import pandas as pd
df=pd.read_excel(r"D:\PythonTestFile\exam.xlsx")
print(df,'\n')
print(df['Chinese'].value_counts(normalize=True))

运行结果为：

       Name     Sex  Chinese  English  Math
0      Noah    male       90       50    66
1      Emma  female       56       56    55
2      Noah    male       90       50    66
3    Olivia  female       86       87    44
4      Liam    male       55       88    69
5    Sophia  female       90       66    96
6      Liam    male       55       88    69
7  Isabella  female       66       85    55 

90    0.375
55    0.250
56    0.125
66    0.125
86    0.125
Name: Chinese, dtype: float64

以上示例中，90出现了3次，全部值共出现了8次（8行数据），占比为3/8=0.375。

value_counts()函数的参数dropna决定了在计数时是否删除缺失值，默认情况下dropna=True（删除）。下面的示例包含了计数时删除和不删除缺失值的情况：

import pandas as pd
df=pd.read_excel(r"D:\PythonTestFile\exam_nan.xlsx")
print(df,'\n')
print(df['Chinese'].value_counts(),'\n')  # 默认删除缺失值
print(df['Chinese'].value_counts(dropna=False))  # 不删除缺失值

运行结果为：

       Name     Sex  Chinese  English  Math
0      Noah    male     90.0     50.0  66.0
1      Emma     NaN     56.0     56.0  55.0
2       NaN     NaN      NaN      NaN   NaN
3    Olivia  female     86.0     87.0   NaN
4      Liam    male     55.0      NaN  69.0
5    Sophia  female     90.0     66.0  96.0
6      Liam    male     55.0      NaN  69.0
7  Isabella  female      NaN     85.0  55.0 

90.0    2
55.0    2
56.0    1
86.0    1
Name: Chinese, dtype: int64 

90.0    2
55.0    2
NaN     2
56.0    1
86.0    1
Name: Chinese, dtype: int64