如何用Pandas高效按col1统计col2、col3各唯一值的频数？

现有如下Pandas DataFrame：

import pandas as pd

df = pd.DataFrame(columns=['col1', 'col2', 'col3'])
df.col1 = ['q1', 'q2', 'q2', 'q3', 'q4', 'q4']
df.col2 = ['b', 'a', 'a', 'c', 'b', 'b']
df.col3 = ['p', 'q', 'r', 'p', 'q', 'q']   

对应的表格：

需要按col1分组，统计col2和col3中各唯一值的出现次数，把这些唯一值作为列，col1的唯一值作为行，最终得到如下格式的结果：

col1    a    b    c    p    q    r
 q1     0    1    0    1    0    0
 q2     2    0    0    0    1    1
 q3     0    0    1    1    0    0
 q4     0    2    0    0    2    0

目前用循环实现但效率太低，想找高效的Pandas/pythonic写法。

直接用Pandas的内置函数组合操作，完全避开循环，代码简洁还高效：

# 1. 把col2、col3转成长格式，保留col1作为分组依据
melted = df.melt(id_vars='col1', value_vars=['col2', 'col3'], value_name='value')

# 2. 分组统计次数，再转成宽格式，缺失的组合填0
result = melted.groupby(['col1', 'value']).size().unstack(fill_value=0)

# 3. 可选：按需求排序列的顺序（和示例对齐）
result = result.reindex(columns=['a', 'b', 'c', 'p', 'q', 'r'])

# 可选：把col1从索引转回普通列
result = result.reset_index()

运行后得到的结果和期望完全一致：

操作说明： #

• melt：把原本分散在col2、col3的值合并到同一列，这样就能统一统计所有值的出现次数，不用分别处理两列。
• groupby+size：按col1和合并后的value分组，统计每组的行数，也就是对应值的出现次数。
• unstack：把value里的唯一值转成列名，同时用fill_value=0补全那些没出现过的组合，避免出现NaN。
• reindex：如果需要固定列的顺序，就用这个方法指定排列顺序，确保和示例完全匹配。

内容的提问来源于stack exchange，提问作者Kallol