如何高效用Pandas按Shape统计Color并补全缺失类别？

可以通过将Shape和Color列转换为分类类型（Categorical），结合Pandas内置函数快速实现需求，无需手动构造DataFrame，效率更高。

方法一：使用pd.crosstab #

先定义固定的类别集合，将DataFrame对应列转为分类类型，这样crosstab会自动包含所有预设类别（即使数据中未出现）：

import pandas as pd

data = [{'Shape': 'Circle', 'Color': 'Green'}, {'Shape': 'Circle', 'Color': 'Green'}, {'Shape': 'Circle', 'Color': 'Green'}]
df = pd.DataFrame(data)

# 定义固定的类别范围
shape_cats = ['Circle', 'Square']
color_cats = ['Green', 'Red']

# 转换为分类类型，强制保留所有预设类别
df['Shape'] = pd.Categorical(df['Shape'], categories=shape_cats)
df['Color'] = pd.Categorical(df['Color'], categories=color_cats)

# 生成交叉计数表，自动补全缺失类别的0值
result = pd.crosstab(df['Color'], df['Shape']).fillna(0).astype(int)
print(result)

输出结果：

Circle  Square
Green       3       0
Red         0       0

方法二：使用groupby + unstack #

同样先转换为分类类型，通过分组统计数量后展开列，直接用fill_value填充缺失值：

import pandas as pd

data = [{'Shape': 'Circle', 'Color': 'Green'}, {'Shape': 'Circle', 'Color': 'Green'}, {'Shape': 'Circle', 'Color': 'Green'}]
df = pd.DataFrame(data)

shape_cats = ['Circle', 'Square']
color_cats = ['Green', 'Red']

df['Shape'] = pd.Categorical(df['Shape'], categories=shape_cats)
df['Color'] = pd.Categorical(df['Color'], categories=color_cats)

# 分组统计后展开列，缺失组合自动填充0
result = df.groupby(['Color', 'Shape']).size().unstack(fill_value=0)
print(result)

输出结果与上述一致。

关于pivot_table的问题 #

默认pivot_table只会统计数据中实际存在的类别，不会主动补全预设的缺失类别。而将列转为分类类型后，Pandas的分组、交叉统计函数会识别所有预设类别，从而自动为缺失的组合填充0值，无需额外手动处理。

内容的提问来源于stack exchange，提问作者Jak