value_counts() 函数得作用
用来统计数据表中，指定列里有多少个不同的数据值，并计算每个不同值有在该列中的个数，同时还能根据指定得参数返回排序后结果。
返回得是Series对象
value_counts(values,sort=True, ascending=False, normalize=False,bins=None,dropna=True)
- sort=True： 是否要进行排序；默认进行排序
- ascending=False： 默认降序排列；
- normalize=False： 是否要对计算结果进行标准化并显示标准化后的结果，默认是False。
- bins=None： 可以自定义分组区间，默认是否
- dropna=True：是否删除缺失值nan，默认删除
数据集
要求：统计不同
lable出现得次数
任何参数都不带
train_df['label'].value_counts()
默认统计个数并降序返回
- ascending=True
- normalize=True
数据标准化：在多指标评价体系中，由于各评价指标的性质不同，通常具有不同的量纲和数量级。当各指标间的水平相差很大时，如果直接用原始指标值进行分析，就会突出数值较高的指标在综合分析中的作用，相对削弱数值水平较低指标的作用。因此，为了保证结果的可靠性，需要对原始指标数据进行标准化处理。
数据的标准化（normalization）是将数据按比例缩放，使之落入一个小的特定区间。在某些比较和评价的指标处理中经常会用到，去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。
train_df['label'].value_counts(ascending=False,normalize=True)
数据标准化以后，所有得项得和为1（可能因为计算机存储数据而有误差）
常用来计算各数据占的比例
- bins分组统计
对于数值型的可以进行分组，分组以后返回结果
几种使用方式
- 先取出列（Series对象），然后调用函数这时候相当于
train_df['label'].value_counts()
- DataFrame
对每一列都进行统计
train_df.apply(pd.value_counts)
- 直接使用Pandas调用
pd.value_counts(train_df['label'],ascending=True)
同样的统计还可以使用 groupby,这个的过程是先按‘label’分组然后再统计每组的值，这样的效率较低，不建议使用
train_df.groupby('label').count()