如何在Pandas中统计分组列的行数并生成对应列

我有一个简单的数据集，希望按Team列的值进行分组，并创建新列Count存储每组的行数。尝试了多种方法均未成功，比如以下无效示例代码：

import pandas as pd
data = {'Team' : ['1', '1', '1', '1', '1', '2', '2', '2', '2', '2', '2', '2', '2', '2', '3','3', '3', '3', '3', '3', '3', '3', '3', '3', '3']}

df = pd.DataFrame(data)
df['Count'] = df.groupby('Team')['Team'].count()
print(df)

我还尝试了.size()和.value_counts()方法，但都无效。期望输出如下：

import pandas as pd
data = {'Team' : ['1', '1', '1', '1', '1', '2', '2', '2', '2', '2', '2', '2', '2', '2', '3','3', '3', '3', '3', '3', '3', '3', '3', '3', '3'],
        'Count' : [5, 5, 5, 5, 5, 9, 9, 9, 9, 9, 9, 9, 9, 9, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11]}

df = pd.DataFrame(data)
print(df)

你的核心问题是直接将分组聚合结果赋值给新列时，聚合结果的索引与原DataFrame不匹配，导致大部分位置出现NaN。以下是几种可行的解决方案：

方法1：使用groupby.transform() #

transform()会将聚合结果广播到原DataFrame的每一行，自动匹配索引，是最直接的实现方式：

import pandas as pd
data = {'Team' : ['1', '1', '1', '1', '1', '2', '2', '2', '2', '2', '2', '2', '2', '2', '3','3', '3', '3', '3', '3', '3', '3', '3', '3', '3']}
df = pd.DataFrame(data)

# count()统计非NaN值，size()统计所有行（包含NaN），按需选择
df['Count'] = df.groupby('Team')['Team'].transform('count')
# 等价写法：df['Count'] = df.groupby('Team')['Team'].transform('size')

print(df)

方法2：结合value_counts()和map() #

先统计每个Team的出现次数，再通过map()将对应次数映射到原列：

import pandas as pd
data = {'Team' : ['1', '1', '1', '1', '1', '2', '2', '2', '2', '2', '2', '2', '2', '2', '3','3', '3', '3', '3', '3', '3', '3', '3', '3', '3']}
df = pd.DataFrame(data)

team_counts = df['Team'].value_counts()
df['Count'] = df['Team'].map(team_counts)

print(df)

方法3：使用groupby.size()+merge() #

先分组计算每组行数，再通过合并操作将结果关联回原DataFrame：

import pandas as pd
data = {'Team' : ['1', '1', '1', '1', '1', '2', '2', '2', '2', '2', '2', '2', '2', '2', '3','3', '3', '3', '3', '3', '3', '3', '3', '3', '3']}
df = pd.DataFrame(data)

# 分组计算行数并转为普通DataFrame
count_df = df.groupby('Team').size().reset_index(name='Count')
# 左合并回原表
df = df.merge(count_df, on='Team', how='left')

print(df)

内容的提问来源于stack exchange，提问作者Kai