Python 如何获取数据帧的行数？

我试图通过Pandas获得数据帧df的行数，下面是我的代码

方法1： 方法2： 这两个代码段都给出了以下错误：

TypeError:不支持+：“instancemethod”和“int”的操作数类型

---

我做错了什么？

对于数据帧

df

，可以使用以下任一选项：

• len（测向索引）

• df.shape[0]

• df[df.columns[0]].count（）

  （速度最慢，但避免在第一列中计算NaN值）

---

复制绘图的代码：

将numpy导入为np
作为pd进口熊猫
导入性能图
perfplot.save(
“out.png”，
setup=lambda n:pd.数据帧（np.arange（n*3）.重塑（n，3）），
n_范围=[2**k表示范围（25）中的k]，
果仁=[
λdf:len（测向指数），
lambda df:df.shape[0]，
lambda df:df[df.columns[0]].count（），
],
labels=[“len（df.index）”，“df.shape[0]，“df[df.columns[0]]].count（）”，
xlabel=“行数”，
)

使用

len（df）

：-）

\uuu len\uu（）

以“返回索引长度”记录

定时信息，设置方式与中相同：

[7]中的

：时间长度（df.index）
1000000个循环，最好3个：每个循环248纳秒
In[8]：timeit len（df）
1000000个循环，最佳3个：每个循环573纳秒

---

由于有一个额外的函数调用，可以正确地说，它比直接调用

len（df.index）

要慢一些。但在大多数情况下，这并不重要。我发现

len（df）

非常可读。

除了前面的答案之外，您可以使用

df.axes

获取具有行和列索引的元组，然后使用

len（）

函数：

total_rows = len(df.axes[0])
total_cols = len(df.axes[1])

---

假设

df

是您的数据帧，那么：

count_row = df.shape[0]  # Gives number of rows
count_col = df.shape[1]  # Gives number of columns

或者更简洁地说

r, c = df.shape

TL；博士 简洁、清晰、干净：使用

len（df）

---

len（）

是您的朋友，它可以作为

len（df）

用于行计数

或者，您可以通过

df.index

访问所有行，通过

df.columns

访问所有列，由于您可以使用

len（anyList）

获取列表的计数，请使用

len（df.index）

获取行数，

len（df.columns）

获取列计数

或者，您可以使用

df.shape

返回行数和列数。如果要访问行数，请仅使用

df.shape[0]

。对于列数，只使用：

df.shape[1]

我从背景中了解到熊猫，我发现熊猫在选择行或列时更复杂

我不得不与它搏斗一段时间，然后我找到了一些方法来处理：

获取列数：

len(df.columns)
## Here:
# df is your data.frame
# df.columns returns a string. It contains column's titles of the df.
# Then, "len()" gets the length of it.

获取行数：

len(df.index) # It's similar.

---

对于dataframe df，在浏览数据时使用的打印逗号格式行计数：

def nrow(df):
    print("{:,}".format(df.shape[0]))

例如：

nrow(my_df)
12,456,789

row_count = (
      pd.DataFrame(np.random.rand(3,4))
      .reset_index()
      .pipe(len)
)

…以…为基础

之所以

len（df）

或

len（df.index）

比

df.shape[0]

快：

看看代码。df.shape是一个

@属性

，它运行一个调用

len

两次的数据帧方法

df.shape??
Type:        property
String form: <property object at 0x1127b33c0>
Source:
# df.shape.fget
@property
def shape(self):
    """
    Return a tuple representing the dimensionality of the DataFrame.
    """
    return len(self.index), len(self.columns)

---

<代码> LeN（DF.index）将比<代码> LEN（DF）略微快一些，因为它有一个更少的函数调用，但总是比DF.St[ 0 ] < /Calp>

< P>快。如果您想在链式操作的中间获得行计数，则可以使用：

df.pipe(len)

例如：

nrow(my_df)
12,456,789

row_count = (
      pd.DataFrame(np.random.rand(3,4))
      .reset_index()
      .pipe(len)
)

如果您不想在

len（）

函数中放入长语句，这可能会很有用

你可以用

\uuu len\uuu（）

来代替，但是

\uu len\uuu（）

看起来有点奇怪

如何获取数据帧的行数？ 此表总结了您希望在数据帧（或系列，完整性）中计数的不同情况，以及推荐的方法

脚注

DataFrame.count

将每列的计数返回为

系列

，因为非空计数因列而异

DataFrameGroupBy.size

返回一个

系列

，因为同一组中的所有列共享相同的行计数

DataFrameGroupBy.count

返回一个

DataFrame

，因为同一组中的不同列的非空计数可能不同。要获取特定列的分组非空计数，请使用

df.groupby（…）['x'].count（）

，其中“x”是要计数的列

---

#最少的代码示例

下面，我将展示上表中描述的每种方法的示例。首先是设置-

df = pd.DataFrame({
    'A': list('aabbc'), 'B': ['x', 'x', np.nan, 'x', np.nan]})
s = df['B'].copy()

df

   A    B
0  a    x
1  a    x
2  b  NaN
3  b    x
4  c  NaN

s

0      x
1      x
2    NaN
3      x
4    NaN
Name: B, dtype: object

数据帧的行计数：

len（df）

，

df.shape[0]

，或

len（df.index）

比较恒定时间操作的性能似乎很愚蠢，尤其是当差异处于“认真地说，不要担心”的水平时。但这似乎是其他答案的一种趋势，所以我也在做同样的事情以确保完整性

在上述三种方法中，

len（df.index）

（如其他答案所述）是最快的

注意

• 以上所有方法都是常量时间操作，因为它们是简单的属性查找

• df.shape

  （类似于

  ndarray.shape

  ）是返回

  （#行，#列）

  元组的属性。例如，

  df.shape

  返回此处示例的

  （8，2）

数据帧的列计数：

df.shape[1]

，

len（df.columns）

类似于

len（df.index）

，

len（df.columns）

是两种方法中速度更快的一种（但需要更多的字符才能键入）

序列的行计数：

len（s）

，

s.size

，

len（s.index）

s.size

和

len（s.index）

是

df = pd.DataFrame({
    'A': list('aabbc'), 'B': ['x', 'x', np.nan, 'x', np.nan]})
s = df['B'].copy()

df

   A    B
0  a    x
1  a    x
2  b  NaN
3  b    x
4  c  NaN

s

0      x
1      x
2    NaN
3      x
4    NaN
Name: B, dtype: object

len(df)
# 5

df.shape[0]
# 5

len(df.index)
# 5

df.shape[1]
# 2

len(df.columns)
# 2

len(s)
# 5

s.size
# 5

len(s.index)
# 5

df.count()

A    5
B    3
dtype: int64

s.count()
# 3

df.groupby('A').size()

A
a    2
b    2
c    1
dtype: int64

s.groupby(df.A).size()

A
a    2
b    2
c    1
Name: B, dtype: int64

df.groupby('A')['B'].size()
df.groupby('A').size()

A
a    2
b    2
c    1
Name: B, dtype: int64

df.groupby('A').count()

   B
A
a  2
b  1
c  0

df.groupby('A')['B'].count()

A
a    2
b    1
c    0
Name: B, dtype: int64

*dataframe name*.tails(1)

 row = df.shape[0], col = df.shape[1]

#import the data frame. Extention could be different as csv,xlsx or etc.
data_fr = pd.read_csv('data.csv')

#print the number of rows
nu_rows = data_fr.shape[0]
print(nu_rows)