Python 统计dataframe列中出现的True/False

有没有一种方法可以计算列中布尔值的出现次数，而不必在数据帧中循环

像这样做

df[df["boolean_column"]==False]["boolean_column"].sum()

将不起作用，因为False的值为0，因此零和将始终返回0

显然，您可以通过在列上循环并检查来计算出现次数，但我想知道是否有一种类似于python的方法来完成此操作。

您可以简单地求和：

sum(df["boolean_column"])

这将找到“真”元素的数量

len(df["boolean_column"]) - sum(df["boolean_column"])

将产生“假”元素的数量。

使用：

len(df["boolean_column"]) - sum(df["boolean_column"])

如果要分别计算

False

和

True

，可以使用

pd.Series.sum（）

+

~

：

>> df['boolean_column'].values.sum()  # True
3
>> (~df['boolean_column']).values.sum() # False
2

---

对于熊猫，自然的方式是使用：

要分别计算

True

或

False

值，不要显式地与

True

/

False

进行比较，只需对

求和

并通过

~

取反向布尔值即可计算

False

值：

print(df['A'].sum())     # 3
print((~df['A']).sum())  # 2

这是因为

bool

是

int

的一个子类，这种行为也适用于Pandas系列/NumPy数组

或者，您可以使用NumPy计算计数：

print(np.unique(df['A'], return_counts=True))

# (array([False,  True], dtype=bool), array([2, 3], dtype=int64))

---

此备选方案也适用于多列和/或多行

df[df==True].count(axis=0)

将获得每列的

True

值的总数。对于行计数，设置轴=1

df[df==True].count().sum()

---

最后添加一个

sum（）

将得到整个数据帧中的总量。

如果数据帧中有一列具有布尔值，或者更有趣的是，如果没有，但希望找到满足特定条件的列中的值数，可以尝试类似的方法（我举了一个例子 返回布尔值。

True

表示缺少值

df.isnull().sum() 

返回

True

值的列式和

df.isnull().sum().sum() 

---

返回NA元素的总数。

我在这里找不到确切需要的元素。我需要True和False的出现次数以进行进一步计算，因此我使用了：

len(df["boolean_column"]) - sum(df["boolean_column"])

true_count = (df['column']).value_counts()[True]
False_count = (df['column']).value_counts()[False]

---

其中df是您的数据帧，column是带布尔值的列。

注意，将内置对象与Pandas/NumPy对象一起使用不是一种好的做法。为了实现矢量化，请使用

pd.Series.sum

或

np.ndarray.sum

。我不久前曾使用过这种方法，但这不是一种好方法。首先，值计数为您提供了最丰富的va首先是lue/bin，然后按降序排序。因此，如果您不知道最可能的值是什么，则第一个值可能不是“False”。其次，如果只有一个值，则为df。[无论什么]。值_计数（）[1]将引发一个错误，因为没有这样的元素。从这个意义上说，使用.sum或.value.sum的方法更安全。但是OP不想计算缺少的单元格，但其中包含布尔值的单元格…这不是很容易从接受的答案推断出来的吗？

df.isnull().sum() 

df.isnull().sum().sum() 

true_count = (df['column']).value_counts()[True]
False_count = (df['column']).value_counts()[False]