将value_counts与normalize=True配合使用：

df['gender'].value_counts(normalize=True) * 100

结果是范围（0，1]内的分数。我们在这里乘以100以得到%。

如果您不需要查看M和F值而不是gender列，那么您可以尝试使用value_counts()和count()，如下所示：

df = pd.DataFrame({'gender':['M','M','F', 'F', 'F']})
# Percentage calculation
(df['gender'].value_counts()/df['gender'].count())*100

结果：

F    60.0
M    40.0
Name: gender, dtype: float64

或者，使用groupby：

(df.groupby('gender').size()/df['gender'].count())*100

假设有200个值，其中120个被归类为M，80个被归类为F

1）

df['gender'].value_counts()

 output:

 M=120
 F=80

2）

df['gender'].value_counts(Normalize=True)

  output:

  M=0.60
  F=0.40

3）

df['gender'].value_counts(Normalize=True)*100 #will convert output to percentages

  output:

  M=60
  F=40

查找目标变化对chenck不平衡/不平衡的百分比。

g = data[Target_col_Y]
df = pd.concat([g.value_counts(),              
g.value_counts(normalize=True).mul(100)],axis=1,keys=('counts','percentage'))

print (df)

计数百分比
电话：036548 88.734583
1 4640 11.265417

在此处查找列百分比中的最大值，以检查#不平衡程度

df1=df.diff(periods=1,axis=0)
difvalue=df1[[list(df1.columns)[-1]]].max()

print('(Gender Male= 0):\n {}%'.format(100 - round(df['Gender'].mean()*100, 2)))
print('(Gender Female=1):\n{}%'.format(round(df['Gender'].mean()*100, 2)))