Pandas中为groupby后的value_counts补全指定类型索引并填0

步骤1：生成指定类型的分组统计（缺失补0） #

先定义需要统计的目标活动类型，通过unstack将分组后的结果转为宽表，再用reindex确保只保留指定类型，缺失的类型自动填充0：

# 定义需要统计的四类活动
target_activity_types = ['Call', 'Email', 'LinkedIn', 'Meeting']

# 执行分组统计并重构表格
df_activity_counts = (
    df_activities.groupby(['Account ID'])['Type']
    .value_counts()  # 统计每个Account ID下各Type的数量
    .unstack(fill_value=0)  # 将Type转为列，缺失值填0
    .reindex(columns=target_activity_types, fill_value=0)  # 仅保留指定类型，新增列填0
)

步骤2：将统计结果映射到df_acc表 #

推荐使用merge方法（比map更稳定，能处理主表中存在但活动表中没有的Account ID），通过左连接保留df_acc的所有数据，缺失统计值补0：

# 合并统计结果到df_acc
df_acc = df_acc.merge(
    df_activity_counts,
    left_on='Account ID',
    right_index=True,  # df_activity_counts的索引是Account ID
    how='left'  # 保留df_acc的所有行
).fillna(0)

# 可选：重命名列以匹配需求格式
df_acc.rename(
    columns={
        'Call': 'Call Activity',
        'Email': 'Email Activity',
        'LinkedIn': 'LinkedIn Activity',
        'Meeting': 'Meeting Activity'
    },
    inplace=True
)

对原示例代码的修正 #

你提供的示例代码df_acc['Email Activity'] = df_acc['Account ID'].map(df_contacts.groupby(['Account ID'])['Type']='Email'.sum())存在语法错误，正确的单类型统计写法应为：

# 单类型统计的正确写法
email_counts = df_contacts[df_contacts['Type'] == 'Email'].groupby(['Account ID']).size()
df_acc['Email Activity'] = df_acc['Account ID'].map(email_counts).fillna(0)

但前面的批量处理方法更高效，无需为每个类型单独写代码。

内容的提问来源于stack exchange，提问作者Luke Haws