value_counts()方法返回一个序列Series，该序列包含每个值的数量(对于数据框中的任何列，value_counts()方法会返回该列每个项的计数)
value_counts()是Series拥有的方法，一般在DataFrame中使用时，需要指定对哪一列进行使用
语法
value_counts(values, sort=True, ascending=False, normalize=False, bins=None, dropna=True)
参数说明
sort: 是否要进行排序(默认进行排序,取值为True)ascending: 默认降序排序(取值为False)，升序排序取值为Truenormalize: 是否要对计算结果进行标准化，并且显示标准化后的结果，默认是Falsebins: 可以自定义分组区间，默认是否dropna: 是否包括对NaN进行计数，默认不包括
import pandas as pd
import numpy as np
df = pd.DataFrame({'City': ['北京', '广州', '深圳', '上海', '大连', '成都', '深圳', '厦门', '北京', '北京', '上海', '珠海'],
'Revenue': [10000, 10000, 5000, 5000, 40000, 50000, 8000, 5000, 5000, 5000, 10000, 12000],
'Age': [50, 43, 34, 40, 25, 25, 45, 32, 25, 25, 34, np.nan]})
# 1.查看'City'这一列的计数结果(对给定列里面的每个值进行计数并进行降序排序，缺失值nan也会被排除)
# value_counts()并不是未带任何参数，而是所有参数都是默认的
res1 = df['City'].value_counts()
# 2.查看'Revenue'这一列的计数结果(采用升序的方式)
res2 = df['Revenue'].value_counts(ascending=True)
# 3.查看'Age'这一列的计数占比(使用标准化normalize=True)
res3 = df['Age'].value_counts(ascending=True,normalize=True)
# 4.查看'Age'这一列的计数结果(展示NaN值的计数)
res4 = df['Age'].value_counts(dropna=False)
# 5.查看'Age'这一列的计数结果(不展示NaN值的计数)
# res5 = df['Age'].value_counts()
res5 = df['Age'].value_counts(dropna=True)
df
res2
res3
res4
res5
