import pandas as pd
test = [409.1, 479.0, 340.0, 282.4, 406.0, 300.0, 374.0, 253.3, 195.1, 269.0, 329.3, 250.7, 250.7, 345.3, 379.3, 275.0, 215.2, 300.0]

#turning the list into a temporary dataframe
test  = pd.DataFrame(test)

#using the very convenient value_counts() function
df_counts = test.value_counts()
df_counts

然后可以使用dfcounts.index和dfcounts.value来获取数据。

如果只需要单个项目的计数，请使用计数方法：

>>> [1, 2, 3, 4, 1, 4, 1].count(1)
3

重要提示：如果您正在计算多个不同的项目，这会非常缓慢

每个计数调用都会遍历n个元素的整个列表。在循环中调用计数n次意味着总共检查n次，这可能会对性能造成灾难性影响。

如果要计数多个项目，请使用计数器，它只进行n次总检查。

list.count（x）返回x在列表中出现的次数

参见：http://docs.python.org/tutorial/datastructures.html#more-在列表上

可能不是最有效的，需要额外的传递才能删除重复项。

功能实现：

arr = np.array(['a','a','b','b','b','c'])
print(set(map(lambda x  : (x , list(arr).count(x)) , arr)))

返回：

{('c', 1), ('b', 3), ('a', 2)}

或返回为dict：

print(dict(map(lambda x  : (x , list(arr).count(x)) , arr)))

返回：

{'b': 3, 'c': 1, 'a': 2}

def countfrequncyinarray(arr1):
    r=len(arr1)
    return {i:arr1.count(i) for i in range(1,r+1)}
arr1=[4,4,4,4]
a=countfrequncyinarray(arr1)
print(a)

使用%timeit查看哪个操作更有效。np.array计数操作应该更快。

 from collections import Counter
 mylist = [1,7,7,7,3,9,9,9,7,9,10,0] 
 types_counts=Counter(mylist)
 print(types_counts)