Pandas Series属性丢失：如何将Series列表转为实用统计DataFrame？

核心问题原因 #

你遇到的问题根源在于value_counts()方法的默认行为：它返回的Series会自动将name属性设为'count'，覆盖了原列的名称。而你之前只是把这些Series追加到列表中，没有将原时段名称（即列名）与统计结果绑定，导致转DataFrame时丢失了关键的时段标识。

解决思路与代码 #

不需要依赖attrs，原时段名称就在你遍历的col变量里，直接提取并绑定到统计结果即可。正确的做法是将每个时段的统计结果重命名为对应的时段名称，再合并成目标DataFrame：

import pandas as pd

# 假设data是你的原始DataFrame
stats_dict = {}
for col in data.columns:
    if 'Fill in today' in col:
        # 从列名中提取时段名称（根据你的实际列名格式调整，这里示例拆分取最后一段）
        period_name = col.split(' ')[-1]
        # 执行统计并将结果Series重命名为时段名称
        count_series = data[col].explode().value_counts(dropna=False).rename(period_name)
        stats_dict[period_name] = count_series

# 按列合并所有统计结果，缺失值填充为0（表示该时段无对应活动项）
result_df = pd.concat(stats_dict.values(), axis=1).fillna(0)

关键知识点补充 #

• value_counts()返回的Series默认name为'count'，这是设计上的默认行为，用于标识计数列的含义，但会覆盖原Series的名称。
• 合并多个Series时，使用pd.concat并指定axis=1，会将每个Series的name作为DataFrame的列名，这正是你需要的时段标识。
• 用字典存储每个时段的统计结果，能更清晰地关联时段名称与对应数据，避免列表方式的信息丢失。

内容的提问来源于stack exchange，提问作者theYnot