Python Pandas DataFrame mode方法用法及代码示例

例子

考虑以下 DataFrame ：

df = pd.DataFrame({"A":[2,3,3], "B":[3,4,5], "C":[2,2,2]})
df



   A  B  C
0  2  3  2
1  3  4  2
2  3  5  2

逐列模式

按列计算众数：

df.mode()   # or axis=0



   A    B  C
0  3.0  3  2.0
1  NaN  4  NaN
2  NaN  5  NaN

在此，请注意以下事项：

• 第一列的模式是 3 。

• 第二列的模式是 3 、 4 和 5 因为这些值中的每一个都只出现一次。

• 由于mode(~) 返回所有模式，因此我们最终得到 3 行，NaN 用于填充空条目。

• 返回类型为DataFrame。

逐行模式

要按行计算模式，请设置 axis=1 ：

df.mode(axis=1)



   0    1    2
0  2.0  NaN  NaN
1  2.0  3.0  4.0
2  2.0  3.0  5.0

指定numeric_only

考虑以下 DataFrame ：

df = pd.DataFrame({"A":[4,4], "B":[2,True]})
df



   A  B
0  4  2
1  4  True

这里，B 列包含混合类型。

False

默认情况下， numeric_only=False ，这意味着混合类型的行/列也会被考虑：

df.mode()   # numeric_only=False



   A    B
0  4.0  True
1  NaN  2

True

通过设置 numeric_only=True ，仅考虑数字行/列：

df.mode(numeric_only=True)



   A
0  4

请注意 B 列如何被忽略，因为它包含混合类型。

指定 dropna

考虑以下带有一些缺失值的DataFrame：

df = pd.DataFrame({"A":[3,3,pd.np.nan],"B":[5,pd.np.nan,pd.np.nan]})
df



   A    B
0  3.0  5.0
1  3.0  NaN
2  NaN  NaN

默认情况下， dropna=True ，这意味着所有 NaN 都会被忽略：

df.mode()   # dropna=True



   A    B
0  3.0  5.0

考虑缺失值：

df.mode(dropna=False)



   A    B
0  3.0  NaN

在此，请注意以下事项：

• 即使列 A 包含 NaN ，也会返回正确的模式 ( 3 )。

• B 列的众数为 NaN，因为它出现了两次，而值 5 仅出现了一次。