Pandas系列value_counts对不同计数的工作方式不同

Question

例如：

df1 = pd.DataFrame(np.repeat(np.arange(1,7),3), columns=['A'])
df1.A.value_counts(sort=False)
1    3
2    3
3    3
4    3
5    3
6    3
Name: A, dtype: int64

---

df2 = pd.DataFrame(np.repeat(np.arange(1,7),100), columns=['A'])
df2.A.value_counts(sort=False)
1    100
2    100
3    100
4    100
5    100
6    100
Name: A, dtype: int64

---

在上面的例子中，value_counts工作得很好，并给出了所需的结果。而当涉及到更大的数据帧时，它给出了不同的输出。这里，A的值已经排序，计数也相同，但A的索引的顺序在value_counts之后发生了变化。为什么它对小计数正确，但对大计数不正确：

df3 = pd.DataFrame(np.repeat(np.arange(1,7),1000), columns=['A'])
df3.A.value_counts(sort=False)
4    1000
1    1000
5    1000
2    1000
6    1000
3    1000
Name: A, dtype: int64

在这里我可以做df3.A.value_counts(sort=False).sort_index()或df3.A.value_counts(sort=False).reindex(df.A.unique())。我想知道为什么它在不同的计数下表现不同？

使用：

Numpy version :1.15.2
Pandas version :0.23.4

Answer 1

这实际上是一个已知的问题。

如果你浏览源代码-

1. C:ProgramDataAnaconda3Libsite-packagespandascorealgorithims.py行581是原始实现
2. 当bins=None时，它为int64值调用_value_counts_arraylike
3. 此函数调用-keys, counts = htable.value_count_int64(values, dropna)

如果您查看htable实现，您会得出结论，密钥的顺序是任意的，这取决于hashtable的工作方式。

它不能保证任何形式的订购。通常，这个例程按最大值进行排序，这几乎总是你想要的。

我想他们可以将其更改为sort=False平均原始排序。我不知道这是否真的会破坏任何东西(正如众所周知的那样，在内部完成这项工作成本并不高(。

顺序从pandas/hashtable.pyx.build_count_table_object()更改为。pymap的大小调整通过散列值来移动条目。

以下是的完整讨论