58_Pandas中mode获取pandas的每一行和列
使用pandas.Series和pandas.DataFrame的mode()方法，可以得到每一列每一行的mode。
在此，对以下内容进行说明。
- pandas.Series 中的mode（）
- pandas.DataFrame 中的mode（）
- 按列获取模式
- 每行获取模式
- 获取模式的频率（出现次数）
pandas.Series 中的mode（）
从 pandas.Series 调用 mode() 返回 pandas.Series。
import pandas as pd
s = pd.Series(['X', 'X', 'Y', 'X'])
print(s)
# 0 X
# 1 X
# 2 Y
# 3 X
# dtype: object
print(s.mode())
# 0 X
# dtype: object
print(type(s.mode()))
# <class 'pandas.core.series.Series'>pandas.Series 的元素是模式本身的值。
mode_value = s.mode()[0]
print(mode_value)
# X
print(type(mode_value))
# <class 'str'>如果有多种模式，则：
s_same = pd.Series(['X', 'Y', 'Y', 'X'])
print(s_same)
# 0 X
# 1 Y
# 2 Y
# 3 X
# dtype: object
print(s_same.mode())
# 0 X
# 1 Y
# dtype: object
print(s_same.mode()[0])
# X如果要获取最频繁值的列表，请使用 tolist() 方法。
l_modes = s_same.mode().tolist()
print(l_modes)
# ['X', 'Y']
print(type(l_modes))
# <class 'list'>pandas.DataFrame 中的mode（）
pandas.DataFrame 也有一个 mode() 方法。
以下面的 pandas.DataFrame 为例。
df = pd.DataFrame({'col1': ['X', 'X', 'Y', 'X'],
'col2': ['X', 'Y', 'Y', 'X']},
index=['row1', 'row2', 'row3', 'row4'])
print(df)
# col1 col2
# row1 X X
# row2 X Y
# row3 Y Y
# row4 X X按列获取模式
从pandas.DataFrame调用mode()方法返回一个pandas.DataFrame，其元素默认为每一列的众数值。请注意，即使只有一种模式，也会返回一行的 pandas.DataFrame，如上面的 pandas.Series 示例所示。
如果模式数因列而异，则空白部分将成为缺失值 NaN。
print(df.mode())
# col1 col2
# 0 X X
# 1 NaN Y
print(type(df.mode()))
# <class 'pandas.core.frame.DataFrame'>可以通过count()方法获取每一列中模态值的个数，该方法统计的是不为缺失值NaN的元素个数。
print(df.mode().count())
# col1 1
# col2 2
# dtype: int64生成的 pandas.DataFrame 的第一行将是每列的模式（如果有多个，则为其中一个）。第一行可以通过iloc[0]获得。
- 04_Pandas获取和修改任意位置的值（at,iat,loc,iloc）
print(df.mode().iloc[0])
# col1 X
# col2 X
# Name: 0, dtype: object从pandas.DataFrame中调用mode()选择列可能会包含缺失值NaN，但是先选择列再调用mode()作为pandas.Series是不包含缺失值NaN的
print(df.mode()['col1'])
# 0 X
# 1 NaN
# Name: col1, dtype: object
print(df['col1'].mode())
# 0 X
# dtype: object它可能不是很有用，但是如果你用 apply() 方法从每一列调用 mode() 并用 tolist() 列出它，也可以得到一个以列表（列表类型）作为元素的 pandas.Series。
l_mode = df.apply(lambda x: x.mode().tolist())
print(l_mode)
# col1 [X]
# col2 [X, Y]
# dtype: object
print(l_mode.iat[1])
# ['X', 'Y']
print(type(l_mode.iat[1]))
# <class 'list'>
print(l_mode.iat[1][1])
# Y
print(type(l_mode.iat[1][1]))
# <class 'str'>此时，生成的 pandas.Series 的行名索引变成了原始 pandas.DataFrame 的列名。注意，如果原来的列名是数字，选择结果pandas.Series的值为[number]会报错，必须是iat[number]。例子中是字符串，所以[Number]没有问题。
每行获取模式
如果设置参数 axis=1，则可以获得每一行的模式。
print(df.mode(axis=1))
# 0 1
# row1 X NaN
# row2 X Y
# row3 Y NaN
# row4 X NaN计数不是缺失值 NaN 的元素数量的 count() 方法也有一个参数轴。
print(df.mode(axis=1).count(axis=1))
# row1 1
# row2 2
# row3 1
# row4 1
# dtype: int64在 pandas 中，每一列都有一个类型 dtype，所以基本上假设每一列都排列了相同类型的数据。
因此，通常不需要获取每一行的众数，如果每一行排列的是同类数据，转置可能会更好。
df_t = df.T
print(df_t)
# row1 row2 row3 row4
# col1 X X Y X
# col2 X Y Y X
print(df_t.mode())
# row1 row2 row3 row4
# 0 X X Y X
# 1 NaN Y NaN NaN获取模式的频率（出现次数）
可以使用 pandas.Series 的 value_counts() 方法获取模式的频率（出现次数）。
value_counts() 返回一个 pandas.Series，其唯一元素值为 index，其频率（出现次数）为 data。
默认情况下，pandas.Series 按出现的降序排序，因此 value_counts() 方法返回的 pandas.Series 中的第一个值是模式的频率。
print(df['col1'].value_counts())
# X 3
# Y 1
# Name: col1, dtype: int64
print(df['col1'].value_counts().iat[0])
# 3原始 pandas.Series 的元素成为生成的 pandas.Series 的索引。如果数值为index，则不能用[number]指定值（会报错），所以使用iat [number]严格指定。 （由于上面的例子是字符串，所以[number]是没有问题的）
使用 apply() 获取每列模式的频率。
print(df.apply(lambda x: x.value_counts().iat[0]))
# col1 3
# col2 2
# dtype: int64describe() 方法计算每一列的汇总统计信息，还获取众数及其频率。
print(df.describe())
# col1 col2
# count 4 4
# unique 2 2
# top X Y
# freq 3 2项目 top 是模式， freq 是它的频率。如果有多种模式，则只返回其中一种。结果是一个 pandas.DataFrame，因此您可以使用 loc、at 等获取行和元素。
print(df.describe().loc['freq'])
# col1 3
# col2 2
# Name: freq, dtype: object
print(df.describe().at['freq', 'col2'])
# 2describe() 没有参数轴，因此如果要将它应用于一条线，请在调用它之前转置它。
print(df.T.describe())
# row1 row2 row3 row4
# count 2 2 2 2
# unique 1 2 1 1
# top X Y Y X
# freq 2 1 2 2
