如何从含NaN的分组计数Series创建DataFrame并重命名计数列

问题根源 #

你报错的原因是转换后的grouped_nan_df只有1列（列名为count），但你用了columns[5]去索引，超出了列的数量范围，自然会触发索引越界错误。

更简洁的实现方法 #

不需要先分组再统计，直接对标记NaN的DataFrame使用value_counts()就能按行统计频次，一步生成可操作的DataFrame：

import pandas as pd

# 1. 创建含NaN的数据集
dataset = (
    [1,2,3,4,5,6],
    [1,None,3,4,5,6],
    [1,None,3,4,5,6],
    [1,2,None,4,5,6],
    [1,None,3,None,5,6],
    [1,2,None,4,5,6],
    [1,None,3,None,5,6],
    [1,2,3,4,5,None],
    [1,2,3,4,5,None]
)    
df = pd.DataFrame(dataset, columns=['A','B','C','D','E','F'])

# 2. 生成标记NaN的DataFrame
nan_df = df.isna()

# 3. 直接统计每行的出现频次，转成DataFrame并重置索引
# value_counts会自动按行分组统计，sort=True控制排序
count_result = nan_df.value_counts(sort=True).reset_index(name='new_count')

print(count_result)

执行后会得到如下结构的DataFrame，所有原布尔列和计数列都可直接操作：

A      B      C      D      E      F  new_count
0  False  False  False  False  False  False          1
1  False  False  False  False  False   True          2
2  False  False   True  False  False  False          2
3  False   True  False  False  False  False          2
4  False   True  False   True  False  False          2

修复你原有代码的方法 #

如果你坚持用原来的groupby+value_counts流程，只需修改重命名列的代码，并重置索引将多级索引转为列：

# 原有代码到生成grouped_nan_df
grouped_nan = nan_df.groupby(['A','B', 'C', 'D','E', 'F'], sort=True).value_counts()
grouped_nan_df = grouped_nan.to_frame()

# 正确重命名计数列（原列名为'count'）
grouped_nan_df.rename(columns={'count': 'new_count'}, inplace=True)

# 将多级索引转为普通列，得到可操作的DataFrame
grouped_nan_df = grouped_nan_df.reset_index()

print(grouped_nan_df)

后续复用子集（如取前5项） #

得到DataFrame后，直接用head()就能取前N项，和SQL的逻辑一致：

top5 = count_result.head(5)

内容的提问来源于stack exchange，提问作者AndyB