Pandas: Counting and Summarizing#
這個章節將更系統化地用實際案例來介紹，
Reading files:
pd.read_csv('data.csv')或讀取JSONpd.read_json('data.json')Filtering data: Slicing data
df[0:10]、Selecting datadf['col1']、Filtering datadf[df['col1'] > 0]Mutating a new variable(on column), Observing a variable, Changing data type
Summarizing data (group by columns):
df.groupby('col1').mean()Arranging (Sorting) data:
df.sort_values(by = 'col1')Concatenating data:
pd.concat([df1, df2])
P1. Read data#
1.1 Read CSV: 違規藥品廣告#
違規藥品廣告資料集 https://data.nat.gov.tw/dataset/14196
import pandas as pd
drug_df = pd.read_csv('https://raw.githubusercontent.com/p4css/py4css/main/data/drug_156_2.csv')
# drug_df
drug_df.head()
| 違規產品名稱 | 違規廠商名稱或負責人 | 處分機關 | 處分日期 | 處分法條 | 違規情節 | 刊播日期 | 刊播媒體類別 | 刊播媒體 | 查處情形 | |
|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 維他肝 | 豐怡生化科技股份有限公司/朱O | NaN | 03 31 2022 12:00AM | NaN | 廣告內容誇大不實 | 02 2 2022 12:00AM | 廣播電台 | 噶瑪蘭廣播電台股份有限公司 | NaN |
| 1 | 現貨澳洲Swisse ULTIBOOST維他命D片calcium vitamin VITAM... | 張O雯/張O雯 | NaN | 01 21 2022 12:00AM | NaN | 廣告違規 | 11 30 2021 12:00AM | 網路 | 蝦皮購物 | 輔導結案 |
| 2 | ✈日本 代購 參天製藥 處方簽點眼液 | 蘇O涵/蘇O涵 | NaN | 01 25 2022 12:00AM | NaN | 無照藥商 | 08 27 2021 12:00AM | 網路 | 蝦皮購物 | NaN |
| 3 | ✈日本 代購 TSUMURA 中將湯 24天包裝 | 蘇O涵/蘇O涵 | NaN | 01 25 2022 12:00AM | NaN | 無照藥商 | 08 27 2021 12:00AM | 網路 | 蝦皮購物 | 輔導結案 |
| 4 | _Salty.shop 日本代購 樂敦小花 | 曾O嫺/曾O嫺 | NaN | 02 17 2022 12:00AM | 藥事法第27條 | 無照藥商 | 12 6 2021 12:00AM | 網路 | 蝦皮購物 | 處分結案 |
# `%who` is a magic command that lists all variables of the current session
%who
drug_df pd
1.2 Display and rename columns#
要大概觀察DataFrame的內容，我們可以使用
.head()方法。這個方法將預設顯示DataFrame的前5行資料，以便我們快速查看資料的結構和內容。有時候，我們可能想要更改DataFrame中欄位的名稱，以使其更具描述性或符合我們的需求。可以像下面一樣直接將所有新欄位名稱傳遞給
.columns屬性，或者使用.rename()方法來將舊欄位名稱映射到新欄位名稱。例如df.rename(columns={'Name': 'Full Name', 'Age': 'Years Old'}, inplace=True)
# Check all variables of the dataframe
drug_df.columns
Index(['違規產品名稱', '違規廠商名稱或負責人', '處分機關', '處分日期', '處分法條', '違規情節', '刊播日期',
'刊播媒體類別', '刊播媒體', '查處情形'],
dtype='object')
drug_df.columns = [
'pname', 'cname', 'agency', 'issuedate', 'law', 'fact',
'pubDate', 'pubMediaType', 'pubMedia', 'trace']
drug_df.columns
drug_df.head()
| pname | cname | agency | issuedate | law | fact | pubDate | pubMediaType | pubMedia | trace | |
|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 維他肝 | 豐怡生化科技股份有限公司/朱O | NaN | 03 31 2022 12:00AM | NaN | 廣告內容誇大不實 | 02 2 2022 12:00AM | 廣播電台 | 噶瑪蘭廣播電台股份有限公司 | NaN |
| 1 | 現貨澳洲Swisse ULTIBOOST維他命D片calcium vitamin VITAM... | 張O雯/張O雯 | NaN | 01 21 2022 12:00AM | NaN | 廣告違規 | 11 30 2021 12:00AM | 網路 | 蝦皮購物 | 輔導結案 |
| 2 | ✈日本 代購 參天製藥 處方簽點眼液 | 蘇O涵/蘇O涵 | NaN | 01 25 2022 12:00AM | NaN | 無照藥商 | 08 27 2021 12:00AM | 網路 | 蝦皮購物 | NaN |
| 3 | ✈日本 代購 TSUMURA 中將湯 24天包裝 | 蘇O涵/蘇O涵 | NaN | 01 25 2022 12:00AM | NaN | 無照藥商 | 08 27 2021 12:00AM | 網路 | 蝦皮購物 | 輔導結案 |
| 4 | _Salty.shop 日本代購 樂敦小花 | 曾O嫺/曾O嫺 | NaN | 02 17 2022 12:00AM | 藥事法第27條 | 無照藥商 | 12 6 2021 12:00AM | 網路 | 蝦皮購物 | 處分結案 |
1.3 Pandas series#
Pandas Series 是一種一維陣列結構，用於存儲同類型的資料，並且每個資料點都有一個與之相關聯的索引。與 Python 的原生 list 不同，Pandas Series 提供了更豐富的功能和操作，包括但不限於資料對齊、切片、過濾以及集成的描述性統計方法。除了這些，Pandas Series 支援更多複雜的資料類型，並且能夠更高效地進行向量化操作。簡而言之，雖然 Pandas Series 和 list 都可以用於存儲一維資料，但 Series 提供了更多專為數據分析而設計的功能和優化。
print(type(drug_df.pubMediaType))
pubMediaType = list(drug_df.pubMediaType)
print(type(pubMediaType))
pubMediaType_df = pd.DataFrame(pubMediaType, columns=['pubMediaType'])
pubMediaType_df.head() # Show the first 10 rows
# print(set(drug_df.pubMediaType))
# drug_df
<class 'pandas.core.series.Series'>
<class 'list'>
| pubMediaType | |
|---|---|
| 0 | 廣播電台 |
| 1 | 網路 |
| 2 | 網路 |
| 3 | 網路 |
| 4 | 網路 |
1.4 Counting#
接下來希望計算一下每個廣告類型pubMediaType的數量，以便我們可以了解哪些類型的廣告最多。
過去我們會用collections套件的Counter方法來計算。但是現在我們可以使用.value_counts()方法來計算每個類型的廣告數量。這個方法將返回一個包含每個類型廣告數量的 Pandas Series，其中索引是廣告類型，值是廣告數量。
# Using `Counter` to count the number of each type of publication media
from collections import Counter
type_dict = Counter(drug_df.pubMediaType)
print(type_dict)
print(Counter(drug_df.fact).most_common(10))
Counter({'網路': 2609, '廣播電台': 119, '平面媒體': 117, '電視': 109, '其他': 16, nan: 2})
[('無照藥商', 1434), ('廣告違規', 248), ('無違規', 185), ('其刊登或宣播之廣告內容與原核准廣告內容不符', 134), (nan, 132), ('非藥商刊登或宣播藥物廣告', 108), ('藥品未申請查驗登記', 94), ('刊播未申請核准之廣告', 85), ('廣告內容誇大不實', 67), ('禁藥', 40)]
drug_df.pubMediaType.value_counts()
# drug_df['pubMediaType'].value_counts()
pubMediaType
網路 2609
廣播電台 119
平面媒體 117
電視 109
其他 16
Name: count, dtype: int64
P2. Read JSON : Youbike#
2.1 Convert dict of dict to list of dict, then to DataFrame#
import pandas as pd
pd.set_option('display.max_columns', None) # 顯示所有欄位
import requests
data = requests.get('https://tcgbusfs.blob.core.windows.net/dotapp/youbike/v2/youbike_immediate.json').json()
# Convert dict of dict to list of dict
all_list = []
for k, v in data["retVal"].items():
all_list.append(v)
# Using list comprehension
# all_list = [v for v in data["retVal"].values()]
ubike_df = pd.DataFrame(all_list)
---------------------------------------------------------------------------
TypeError Traceback (most recent call last)
Cell In[8], line 12
10 # Convert dict of dict to list of dict
11 all_list = []
---> 12 for k, v in data["retVal"].items():
13 all_list.append(v)
15 # Using list comprehension
16 # all_list = [v for v in data["retVal"].values()]
TypeError: list indices must be integers or slices, not str
2.2 Display part of columns#
Subsetting them by passing a list of column names inside the square brackets
df[['col1', 'col2']]Using the
.drop()method to drop columnsdf.drop(['col1', 'col2'], axis=1)
ubike_df[['sno', 'sna', 'tot', 'sbi', 'sarea']].head()
ubike_df.drop(['ar', 'aren', 'snaen', 'lat', 'lng'], axis=1).head()
| sno | sna | tot | sbi | sarea | mday | sareaen | bemp | act | |
|---|---|---|---|---|---|---|---|---|---|
| 0001 | 0001 | 捷運市政府站(3號出口) | 84 | 74 | 信義區 | 20221030185227 | Xinyi Dist. | 10 | 1 |
| 0002 | 0002 | 捷運國父紀念館站(2號出口) | 16 | 4 | 大安區 | 20221030185231 | Daan Dist. | 12 | 1 |
| 0004 | 0004 | 市民廣場 | 32 | 0 | 信義區 | 20221030185217 | Xinyi Dist. | 31 | 1 |
| 0005 | 0005 | 興雅國中 | 10 | 1 | 信義區 | 20221030185241 | Xinyi Dist. | 9 | 1 |
| 0006 | 0006 | 臺北南山廣場 | 54 | 11 | 信義區 | 20221030185230 | Xinyi Dist. | 43 | 1 |
2.3 Using built-in function to pandas#
# Using pandas built-in function to convert dictionary to pandas df
import requests
data = requests.get('https://tcgbusfs.blob.core.windows.net/dotapp/youbike/v2/youbike_immediate.json').json()
ubike_df = pd.DataFrame(data)
ubike_df.head()
| sno | sna | sarea | mday | ar | sareaen | snaen | aren | act | srcUpdateTime | updateTime | infoTime | infoDate | total | available_rent_bikes | latitude | longitude | available_return_bikes | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 500101001 | YouBike2.0_捷運科技大樓站 | 大安區 | 2025-03-13 22:40:32 | 復興南路二段235號前 | Daan Dist. | YouBike2.0_MRT Technology Bldg. Sta. | No.235， Sec. 2， Fuxing S. Rd. | 1 | 2025-03-13 22:42:20 | 2025-03-13 22:42:52 | 2025-03-13 22:40:32 | 2025-03-13 | 28 | 3 | 25.02605 | 121.54360 | 25 |
| 1 | 500101002 | YouBike2.0_復興南路二段273號前 | 大安區 | 2025-03-13 22:34:28 | 復興南路二段273號西側 | Daan Dist. | YouBike2.0_No.273， Sec. 2， Fuxing S. Rd. | No.273， Sec. 2， Fuxing S. Rd. (West) | 1 | 2025-03-13 22:42:20 | 2025-03-13 22:42:52 | 2025-03-13 22:34:28 | 2025-03-13 | 21 | 1 | 25.02565 | 121.54357 | 20 |
| 2 | 500101003 | YouBike2.0_國北教大實小東側門 | 大安區 | 2025-03-13 22:40:32 | 和平東路二段96巷7號 | Daan Dist. | YouBike2.0_NTUE Experiment Elementary School (... | No. 7， Ln. 96， Sec. 2， Heping E. Rd | 1 | 2025-03-13 22:42:20 | 2025-03-13 22:42:52 | 2025-03-13 22:40:32 | 2025-03-13 | 16 | 4 | 25.02429 | 121.54124 | 12 |
| 3 | 500101004 | YouBike2.0_和平公園東側 | 大安區 | 2025-03-13 22:33:30 | 和平東路二段118巷33號 | Daan Dist. | YouBike2.0_Heping Park (East) | No. 33， Ln. 118， Sec. 2， Heping E. Rd | 1 | 2025-03-13 22:42:20 | 2025-03-13 22:42:52 | 2025-03-13 22:33:30 | 2025-03-13 | 11 | 1 | 25.02351 | 121.54282 | 10 |
| 4 | 500101005 | YouBike2.0_辛亥復興路口西北側 | 大安區 | 2025-03-13 22:41:29 | 復興南路二段368號 | Daan Dist. | YouBike2.0_Xinhai Fuxing Rd. Intersection (Nor... | No. 368， Sec. 2， Fuxing S. Rd. | 1 | 2025-03-13 22:42:20 | 2025-03-13 22:42:52 | 2025-03-13 22:41:29 | 2025-03-13 | 16 | 2 | 25.02153 | 121.54299 | 14 |
P2. Observing data#
Oberserving data df.info() and df.describe() 觀察各個變數的分佈 to check data type or get basic summary of data 。
2.4 Overview whole df#
ubike_df.shape
(1533, 18)
ubike_df.describe()
| total | available_rent_bikes | latitude | longitude | available_return_bikes | |
|---|---|---|---|---|---|
| count | 1533.000000 | 1533.000000 | 1533.000000 | 1533.000000 | 1533.000000 |
| mean | 26.525766 | 8.622309 | 25.052833 | 121.544699 | 17.195042 |
| std | 13.711934 | 8.789692 | 0.033320 | 0.031682 | 14.619827 |
| min | 5.000000 | 0.000000 | 24.976190 | 121.462280 | 0.000000 |
| 25% | 16.000000 | 1.000000 | 25.029740 | 121.522240 | 7.000000 |
| 50% | 23.000000 | 6.000000 | 25.049870 | 121.540620 | 14.000000 |
| 75% | 32.000000 | 13.000000 | 25.072640 | 121.565860 | 24.000000 |
| max | 99.000000 | 55.000000 | 25.145820 | 121.623060 | 99.000000 |
2.5 Access data by index#
# Access single row
print(ubike_df.iloc[2])
# Access single cell
print(ubike_df.iloc[2, 0])
sno 500101003
sna YouBike2.0_國北教大實小東側門
sarea 大安區
mday 2025-03-13 22:40:32
ar 和平東路二段96巷7號
sareaen Daan Dist.
snaen YouBike2.0_NTUE Experiment Elementary School (...
aren No. 7， Ln. 96， Sec. 2， Heping E. Rd
act 1
srcUpdateTime 2025-03-13 22:42:20
updateTime 2025-03-13 22:42:52
infoTime 2025-03-13 22:40:32
infoDate 2025-03-13
total 16
available_rent_bikes 4
latitude 25.02429
longitude 121.54124
available_return_bikes 12
Name: 2, dtype: object
500101003
2.6 Select variables and slice data#
ubike_df[:3][['sno', 'sna', 'total', 'available_rent_bikes', 'sarea']]
| sno | sna | total | available_rent_bikes | sarea | |
|---|---|---|---|---|---|
| 0 | 500101001 | YouBike2.0_捷運科技大樓站 | 28 | 3 | 大安區 |
| 1 | 500101002 | YouBike2.0_復興南路二段273號前 | 21 | 1 | 大安區 |
| 2 | 500101003 | YouBike2.0_國北教大實小東側門 | 16 | 4 | 大安區 |
2.7 Convert variable type#
Cleaning data pd.to_numeric(var) 修改變數型態 to convert data type
# ratio = sbi/tot
print(type(ubike_df['available_rent_bikes']))
ubike_df['ratio'] = pd.to_numeric(ubike_df['available_rent_bikes'])/pd.to_numeric(ubike_df['total'])
ubike_df[['sno', 'sna', 'total', 'available_rent_bikes', 'ratio']].head()
<class 'pandas.core.series.Series'>
| sno | sna | total | available_rent_bikes | ratio | |
|---|---|---|---|---|---|
| 0 | 500101001 | YouBike2.0_捷運科技大樓站 | 28 | 3 | 0.107143 |
| 1 | 500101002 | YouBike2.0_復興南路二段273號前 | 21 | 1 | 0.047619 |
| 2 | 500101003 | YouBike2.0_國北教大實小東側門 | 16 | 4 | 0.250000 |
| 3 | 500101004 | YouBike2.0_和平公園東側 | 11 | 1 | 0.090909 |
| 4 | 500101005 | YouBike2.0_辛亥復興路口西北側 | 16 | 2 | 0.125000 |
2.8 Mutate new variable#
df = df.assign(new_var = old_var1 / old_var2)產生新的變數（方法一） to create or convert new variable. Be careful! You must assign to left to overwrite original df.df["new_var"] = df.old_var1 / df.old_var2產生新的變數（方法二）Creating
ratio = available_rent_bikes/totalfor ubike datapd.to_numeric()to covert one variable type
ubike_df = ubike_df.assign(
available_rent_bikes = pd.to_numeric(ubike_df.available_rent_bikes),
total = pd.to_numeric(ubike_df.total))
ubike_df["ratio"] = ubike_df.available_rent_bikes / ubike_df.total
# ubike_df.ratio2 = ubike_df.sbi / ubike_df.tot
# ubike_df = ubike_df.assign(ratio = ubike_df.sbi/ubike_df.tot)
# ubike_df.info()
ubike_df[['sno', 'sna', 'total', 'available_rent_bikes', 'ratio']].head()
| sno | sna | total | available_rent_bikes | ratio | |
|---|---|---|---|---|---|
| 0 | 500101001 | YouBike2.0_捷運科技大樓站 | 28 | 3 | 0.107143 |
| 1 | 500101002 | YouBike2.0_復興南路二段273號前 | 21 | 1 | 0.047619 |
| 2 | 500101003 | YouBike2.0_國北教大實小東側門 | 16 | 4 | 0.250000 |
| 3 | 500101004 | YouBike2.0_和平公園東側 | 11 | 1 | 0.090909 |
| 4 | 500101005 | YouBike2.0_辛亥復興路口西北側 | 16 | 2 | 0.125000 |
ubike_df.describe()
| total | available_rent_bikes | latitude | longitude | available_return_bikes | ratio | sbi | tot | |
|---|---|---|---|---|---|---|---|---|
| count | 1533.000000 | 1533.000000 | 1533.000000 | 1533.000000 | 1533.000000 | 1533.000000 | 1533.000000 | 1533.000000 |
| mean | 26.525766 | 8.622309 | 25.052833 | 121.544699 | 17.195042 | 0.355990 | 8.622309 | 26.525766 |
| std | 13.711934 | 8.789692 | 0.033320 | 0.031682 | 14.619827 | 0.311784 | 8.789692 | 13.711934 |
| min | 5.000000 | 0.000000 | 24.976190 | 121.462280 | 0.000000 | 0.000000 | 0.000000 | 5.000000 |
| 25% | 16.000000 | 1.000000 | 25.029740 | 121.522240 | 7.000000 | 0.052632 | 1.000000 | 16.000000 |
| 50% | 23.000000 | 6.000000 | 25.049870 | 121.540620 | 14.000000 | 0.300000 | 6.000000 | 23.000000 |
| 75% | 32.000000 | 13.000000 | 25.072640 | 121.565860 | 24.000000 | 0.605263 | 13.000000 | 32.000000 |
| max | 99.000000 | 55.000000 | 25.145820 | 121.623060 | 99.000000 | 1.000000 | 55.000000 | 99.000000 |
P3. Summarizing data#
Tutorial: groupby pandas
df.groupby(col1)[col2].count()summarize col2 according to col1 by countingdf.groupby(col1)[col2].mean()summarize col2 according to col1 by calculating their average of each categorydf.groupby([col1, col3])[col2].count()summarize col2 according to col1 and col3 by counting
3.1 Count single variable by value_counts()#
# Conventional way
from collections import Counter
Counter(drug_df.pubMediaType)
Counter({'網路': 2609, '廣播電台': 119, '平面媒體': 117, '電視': 109, '其他': 16, nan: 2})
drug_df.head()
| pname | cname | agency | issuedate | law | fact | pubDate | pubMediaType | pubMedia | trace | |
|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 維他肝 | 豐怡生化科技股份有限公司/朱O | NaN | 03 31 2022 12:00AM | NaN | 廣告內容誇大不實 | 02 2 2022 12:00AM | 廣播電台 | 噶瑪蘭廣播電台股份有限公司 | NaN |
| 1 | 現貨澳洲Swisse ULTIBOOST維他命D片calcium vitamin VITAM... | 張O雯/張O雯 | NaN | 01 21 2022 12:00AM | NaN | 廣告違規 | 11 30 2021 12:00AM | 網路 | 蝦皮購物 | 輔導結案 |
| 2 | ✈日本 代購 參天製藥 處方簽點眼液 | 蘇O涵/蘇O涵 | NaN | 01 25 2022 12:00AM | NaN | 無照藥商 | 08 27 2021 12:00AM | 網路 | 蝦皮購物 | NaN |
| 3 | ✈日本 代購 TSUMURA 中將湯 24天包裝 | 蘇O涵/蘇O涵 | NaN | 01 25 2022 12:00AM | NaN | 無照藥商 | 08 27 2021 12:00AM | 網路 | 蝦皮購物 | 輔導結案 |
| 4 | _Salty.shop 日本代購 樂敦小花 | 曾O嫺/曾O嫺 | NaN | 02 17 2022 12:00AM | 藥事法第27條 | 無照藥商 | 12 6 2021 12:00AM | 網路 | 蝦皮購物 | 處分結案 |
# Pandas way
drug_df.pubMediaType.value_counts()
pubMediaType
網路 2609
廣播電台 119
平面媒體 117
電視 109
其他 16
Name: count, dtype: int64
3.2 groupby() then count()#
drug_df.groupby('pubMediaType')[['pname', 'agency']].count()
| pname | agency | |
|---|---|---|
| pubMediaType | ||
| 其他 | 16 | 0 |
| 平面媒體 | 117 | 117 |
| 廣播電台 | 119 | 0 |
| 網路 | 2609 | 0 |
| 電視 | 109 | 0 |
3.3 groupby() then summarize#
Format: df.groupby(col_for_group)[variable_to_group].func()
col_for_group: 要作為群組根據的variable，例如將村里彙整為鄉鎮市區資料時，鄉鎮市區資料極為group的根據variable_to_group: 哪些要根據上述的群組來彙整，通常是值，如上例，那就是人口數、土地面積等。func(): 要用什麼函式來計算，是要計算每組組內的加總或平均？
ubike_df[['sarea', 'total', 'available_rent_bikes']]
| sarea | total | available_rent_bikes | |
|---|---|---|---|
| 0 | 大安區 | 28 | 3 |
| 1 | 大安區 | 21 | 1 |
| 2 | 大安區 | 16 | 4 |
| 3 | 大安區 | 11 | 1 |
| 4 | 大安區 | 16 | 2 |
| ... | ... | ... | ... |
| 1528 | 臺大公館校區 | 36 | 0 |
| 1529 | 臺大公館校區 | 40 | 0 |
| 1530 | 臺大公館校區 | 33 | 0 |
| 1531 | 臺大公館校區 | 99 | 46 |
| 1532 | 臺大公館校區 | 67 | 0 |
1533 rows × 3 columns
# sum up tot in each region(town-level)
ubike_df.groupby("sarea")["total"].sum()
sarea
中山區 4342
中正區 3493
信義區 3559
內湖區 4181
北投區 2832
南港區 2723
士林區 3162
大同區 1899
大安區 5348
文山區 2478
松山區 2490
臺大公館校區 2048
萬華區 2109
Name: total, dtype: int64
ubike_stat = ubike_df.groupby("sarea").agg({"total": "sum", "available_rent_bikes": "sum"}).reset_index()
ubike_stat
| sarea | total | available_rent_bikes | |
|---|---|---|---|
| 0 | 中山區 | 4342 | 1398 |
| 1 | 中正區 | 3493 | 892 |
| 2 | 信義區 | 3559 | 1077 |
| 3 | 內湖區 | 4181 | 1303 |
| 4 | 北投區 | 2832 | 1079 |
| 5 | 南港區 | 2723 | 1107 |
| 6 | 士林區 | 3162 | 1020 |
| 7 | 大同區 | 1899 | 917 |
| 8 | 大安區 | 5348 | 1362 |
| 9 | 文山區 | 2478 | 986 |
| 10 | 松山區 | 2490 | 873 |
| 11 | 臺大公館校區 | 2048 | 203 |
| 12 | 萬華區 | 2109 | 1001 |
P4. Sort-by (Arrange)#
# ascending=False to sort by dscending order
ubike_stat.sort_values('total', ascending=False)
| sarea | total | available_rent_bikes | |
|---|---|---|---|
| 8 | 大安區 | 5348 | 1362 |
| 0 | 中山區 | 4342 | 1398 |
| 3 | 內湖區 | 4181 | 1303 |
| 2 | 信義區 | 3559 | 1077 |
| 1 | 中正區 | 3493 | 892 |
| 6 | 士林區 | 3162 | 1020 |
| 4 | 北投區 | 2832 | 1079 |
| 5 | 南港區 | 2723 | 1107 |
| 10 | 松山區 | 2490 | 873 |
| 9 | 文山區 | 2478 | 986 |
| 12 | 萬華區 | 2109 | 1001 |
| 11 | 臺大公館校區 | 2048 | 203 |
| 7 | 大同區 | 1899 | 917 |
ubike_df.sort_values('ratio', ascending=False)[['sno', 'sna', 'total', 'available_rent_bikes', 'ratio']].head(10)
| sno | sna | total | available_rent_bikes | ratio | |
|---|---|---|---|---|---|
| 1192 | 500111015 | YouBike2.0_福山公園 | 30 | 30 | 1.0 |
| 1235 | 500111058 | YouBike2.0_舊莊國小(舊莊街一段) | 18 | 18 | 1.0 |
| 311 | 500104052 | YouBike2.0_重慶北路四段190巷口 | 13 | 13 | 1.0 |
| 1138 | 500110052 | YouBike2.0_南京東路五段59巷口 | 17 | 17 | 1.0 |
| 762 | 500107141 | YouBike2.0_建國北路高架橋下停車場G區 | 18 | 18 | 1.0 |
| 757 | 500107136 | YouBike2.0_建國五常街口 | 20 | 20 | 1.0 |
| 1370 | 500112094 | YouBike2.0_吳興街284巷(廣安宮) | 15 | 15 | 1.0 |
| 1234 | 500111057 | YouBike2.0_力行橋(南港) | 18 | 18 | 1.0 |
| 1236 | 500111059 | YouBike2.0_向陽公園 | 17 | 17 | 1.0 |
| 1259 | 500111082 | YouBike2.0_南港路三段130巷口 | 12 | 12 | 1.0 |