如何无需迭代统计Pandas多列指定值出现次数并生成新DataFrame

原始DataFrame如下：

import pandas as pd
df = pd.DataFrame({'2012':['A','A','B','A'],'2013':['A','B','C','C'],'2014':['A','C','Z','C']})

输出：

2012 2013 2014
0    A    A    A
1    A    B    C
2    B    C    Z
3    A    C    C

需要生成目标DataFrame，统计**指定标签（A、B、C，不含Z）**在每列的出现次数，将标签设为索引展示各年份统计结果：

2012  2013  2014
A     3     1     1
B     1     1     0
C     0     2     2

已实现的迭代方案：

indexes = ['A','B','C']
df2 = pd.DataFrame(index=indexes, columns=df.columns, dtype=int)
for idx in indexes:
    df2.loc[idx] = (df == idx).sum()

该方案可得到所需结果，但希望找到无需迭代、一次性实现的方法。尝试过value_counts()、pivot_table()和groupby()均未成功，搜索到的方案仅针对单列统计。

无需迭代的解决方案 #

方法1：apply+value_counts+reindex #

对每列调用value_counts统计次数，再重新索引保留指定标签，缺失值补0：

target_labels = ['A', 'B', 'C']
result = df.apply(pd.Series.value_counts).reindex(target_labels).fillna(0).astype(int)
print(result)

输出与目标一致。

方法2：melt+crosstab #

先将宽表转长表并过滤无关标签，再用交叉表统计计数：

target_labels = ['A', 'B', 'C']
# 转换为长格式并过滤Z
melted = df.melt(var_name='year', value_name='label').query('label in @target_labels')
# 生成交叉表并补全索引
result = pd.crosstab(melted['label'], melted['year']).reindex(target_labels).fillna(0).astype(int)
print(result)

方法3：stack+value_counts+unstack #

通过堆叠数据统一统计，再重新调整结构：

target_labels = ['A', 'B', 'C']
result = df.stack().value_counts().unstack(level=0, fill_value=0).T.reindex(target_labels).astype(int)
print(result)

内容的提问来源于stack exchange，提问作者nicobar