如何在Pandas中按行统计元素并创建计数列？

我创建了如下Pandas DataFrame：

import pandas as pd

ds = {'col1' : ['A','A','B','C','C','D'],
      'col2' : ['A','B','C','D','D','A']}

df = pd.DataFrame(data=ds)

输出结果：

col1 col2
0    A    A
1    A    B
2    B    C
3    C    D
4    C    D
5    D    A

已知col1和col2的取值仅为A、B、C、D，需要新增4个统计列：

• countA：每行中A的出现次数
• countB：每行中B的出现次数
• countC：每行中C的出现次数
• countD：每行中D的出现次数

最终目标DataFrame如下：

col1 col2  countA  countB  countC  countD
0    A    A       2       0       0       0
1    A    B       1       1       0       0
2    B    C       0       1       1       0
3    C    D       0       0       1       1
4    C    D       0       0       1       1
5    D    A       1       0       0       1

方法一：哑变量聚合（高效简洁） #

利用pd.get_dummies生成哑变量后按取值聚合求和，适合已知所有可能取值的场景：

# 定义目标取值列表
target_values = ['A', 'B', 'C', 'D']
# 生成哑变量并按后缀（即取值）分组求和
count_cols = pd.get_dummies(df[['col1', 'col2']]).groupby(lambda x: x[-1], axis=1).sum()
# 重命名列名
count_cols.columns = [f'count{v}' for v in target_values]
# 合并到原DataFrame
df = pd.concat([df, count_cols], axis=1)

方法二：逐行apply统计（直观易懂） #

通过apply逐行处理，逻辑清晰，适合需要自定义统计规则的场景：

def count_row(row):
    return pd.Series(
        [row.eq(v).sum() for v in ['A', 'B', 'C', 'D']],
        index=['countA', 'countB', 'countC', 'countD']
    )

# 应用函数并合并结果
df = pd.concat([df, df.apply(count_row, axis=1)], axis=1)

方法三：value_counts逐行统计（扩展性强） #

使用value_counts获取每行的取值频次，自动补全缺失取值的计数为0，适合取值较多的场景：

target_values = ['A', 'B', 'C', 'D']
# 逐行计算频次，填充缺失值为0
count_cols = df.apply(lambda row: row.value_counts().reindex(target_values, fill_value=0), axis=1)
# 重命名列名
count_cols.columns = [f'count{v}' for v in target_values]
# 合并到原DataFrame
df = pd.concat([df, count_cols], axis=1)

内容的提问来源于stack exchange，提问作者Giampaolo Levorato