熊猫计算每列中小于 x 的元素数

Question

我有一个如下所示的 DataFrame。我正在尝试计算每列中小于 2.0 的元素数，然后我将在条形图中可视化结果。我使用列表和循环来做到这一点，但我想知道是否有一种“熊猫方式”可以快速做到这一点。谢谢！

x = []
for i in range(6):
    x.append(df[df.ix[:,i]<2.0].count()[i])

然后我可以使用列表x 获得条形图。

          A          B          C          D          E          F 
0       2.142      1.929      1.674      1.547      3.395      2.382  
1       2.077      1.871      1.614      1.491      3.110      2.288  
2       2.098      1.889      1.610      1.487      3.020      2.262    
3       1.990      1.760      1.479      1.366      2.496      2.128    
4       1.935      1.765      1.656      1.530      2.786      2.433

Answer 1

In [96]:

df = pd.DataFrame({'a':randn(10), 'b':randn(10), 'c':randn(10)})
df
Out[96]:
          a         b         c
0 -0.849903  0.944912  1.285790
1 -1.038706  1.445381  0.251002
2  0.683135 -0.539052 -0.622439
3 -1.224699 -0.358541  1.361618
4 -0.087021  0.041524  0.151286
5 -0.114031 -0.201018 -0.030050
6  0.001891  1.601687 -0.040442
7  0.024954 -1.839793  0.917328
8 -1.480281  0.079342 -0.405370
9  0.167295 -1.723555 -0.033937

[10 rows x 3 columns]
In [97]:

df[df > 1.0].count()

Out[97]:
a    0
b    2
c    2
dtype: int64

所以在你的情况下：

df[df < 2.0 ].count() 

应该工作

编辑

一些时间

In [3]:

%timeit df[df < 1.0 ].count() 
%timeit (df < 1.0).sum()
%timeit (df < 1.0).apply(np.count_nonzero)
1000 loops, best of 3: 1.47 ms per loop
1000 loops, best of 3: 560 us per loop
1000 loops, best of 3: 529 us per loop

所以@DSM 的建议是正确的，而且比我的建议要快得多