### Python 统计数据集中每个数据的出现频次并输出为两列格式 为了满足需求，可以编写一个基于 `pandas` 库的程序来统计数据集中每个数据的出现频次，并将其结果以两列的形式输出。以下是完整的解决方案： ```python import pandas as pd def calculate_frequency(dataset): """ 统计数据集中每个数据的出现频次，并返回两列格式的结果。 :param dataset: list or array-like, 待统计的数据集 :return: DataFrame, 包含两个列：'Data' 表示数据项，'Frequency' 表示其出现次数 """ frequency_df = pd.Series(dataset).value_counts().reset_index() frequency_df.columns = ['Data', 'Frequency'] # 设置列名[^1] return frequency_df.sort_values(by='Data').reset_index(drop=True) # 排序并重新设置索引[^2] # 示例数据集 example_dataset = ['apple', 'banana', 'apple', 'orange', 'banana', 'apple'] # 调用函数并打印结果 frequency_result = calculate_frequency(example_dataset) print(frequency_result.to_string(index=False)) # 不显示行索引 ``` #### 结果解释 上述代码的功能如下： - 输入参数是一个列表或其他可迭代对象（如 NumPy 数组），其中包含待统计的数据。 - 使用 Pandas 的 `Series.value_counts()` 方法计算每种数据的出现次数[^3]。 - 将结果转换为 DataFrame 并调整列名称以便更清晰地表示含义。 - 按照数据项升序排列结果，便于阅读和后续分析。 --- #### 扩展功能：从 CSV 文件中读取数据并统计 如果数据存储在 CSV 文件中，可以通过以下方式加载数据并应用相同逻辑： ```python # 加载 CSV 文件中的某一列作为数据集 csv_file_path = 'data.csv' column_name = 'ColumnName' dataframe = pd.read_csv(csv_file_path)[[column_name]] # 仅提取目标列 dataset_from_csv = dataframe[column_name].dropna().tolist() # 删除缺失值并转为列表[^4] # 调用函数进行统计 frequency_result_from_csv = calculate_frequency(dataset_from_csv) print(frequency_result_from_csv.to_string(index=False)) ``` 此部分代码展示了如何从外部文件导入数据，并对其进行清洗后再传递给核心统计函数。 --- ###