嗨，我来帮你搞定这个问题～你遇到的NaN问题，是因为直接把groupby后的结果赋值回原DataFrame时，索引不匹配导致的。让我一步步给你讲清楚怎么改：

为什么你的代码会返回NaN？ #

你写的df.groupby('date').count()会生成一个以date为索引的新DataFrame，它的结构是这样的：

而你的原df的索引是默认的数字0-5，两者的索引完全不匹配，所以直接赋值时，原df的每一行都找不到对应的值，就会填充NaN。

正确的实现方式 #

我们需要用transform方法，它会把聚合后的结果广播回原DataFrame的每一行，保持索引一致，完美匹配你的需求。

方法1：使用count()（指定列） #

df['daily_records'] = df.groupby('date')['ID'].transform('count')

这里指定ID列是因为count()会统计该列非空值的数量，如果你其他列没有缺失值，也可以用其他列代替。

方法2：使用size()（更直接） #

如果你只是想统计每组的总记录数（不管有没有缺失值），用size()更合适，它不需要指定列：

df['daily_records'] = df.groupby('date').transform('size')

运行后的结果 #

执行上面任意一段代码后，你的df就会变成期望的样子：

内容的提问来源于stack exchange，提问作者dom_2108