如何在Python中基于多列行值生成统计新DataFrame？

我有多列仅包含0或1的数据，示例表格如下：

我希望统计每列中0的数量（存入“错误数”列）和1的数量（存入“正确数”列），生成如下格式的新DataFrame：

尝试过结合value_counts()、groupby()和pandas.pivot_table，但在表格操作环节遇到困难。

这里有几种简洁的实现方式：

方法一：求和+总行数计算 #

因为1的数量等于列的求和结果，0的数量等于总行数减去1的数量，代码如下：

import pandas as pd

# 构造示例数据
df = pd.DataFrame({
    '苹果': [1, 0, 1],
    '橙子': [0, 0, 1],
    '梨': [1, 1, 0]
})

# 统计并整理结果
result = pd.DataFrame({
    '正确数': df.sum(),
    '错误数': len(df) - df.sum()
}).reset_index().rename(columns={'index': '水果'})

print(result)

方法二：宽表转长表+交叉统计 #

先将宽格式数据转为长格式，再用交叉表统计数量：

import pandas as pd

df = pd.DataFrame({
    '苹果': [1, 0, 1],
    '橙子': [0, 0, 1],
    '梨': [1, 1, 0]
})

# 宽表转长表
melted_df = df.melt(var_name='水果', value_name='数值')
# 生成交叉统计表格
cross_table = pd.crosstab(melted_df['水果'], melted_df['数值'])
# 重命名列并整理结构
result = cross_table.rename(columns={1: '正确数', 0: '错误数'}).reset_index()

print(result)

方法三：apply+value_counts #

对每列应用value_counts统计值的数量，再调整格式：

import pandas as pd

df = pd.DataFrame({
    '苹果': [1, 0, 1],
    '橙子': [0, 0, 1],
    '梨': [1, 1, 0]
})

# 每列统计值的数量，转置后填充缺失值并转为整数
counts_df = df.apply(pd.Series.value_counts).T.fillna(0).astype(int)
# 重命名列并重置索引
result = counts_df.rename(columns={1: '正确数', 0: '错误数'}).reset_index().rename(columns={'index': '水果'})

print(result)

内容的提问来源于stack exchange，提问作者Beavis