如何在Pandas DataFrame中按行统计不同值并新增计数列

问题 #

我有一个多列多行的Pandas DataFrame，想要按行统计每行中各值的出现次数，并且为每个值的统计结果新增一列。

原始DataFrame：

Col1  Col2  Col3
  2     2    1
  1     1    1
  3     1    2

期望输出：

Col1  Col2  Col3  Count1  Count2  Count3
  2     2    1      1        2      0
  1     1    1      3        0      0
  3     1    2      1        1      1

解决方案 #

方法1：逐行统计（代码简洁） #

利用apply对每行做值计数，再通过reindex统一统计列，最后和原表拼接：

import pandas as pd

# 初始化原始数据
df = pd.DataFrame({
    'Col1': [2, 1, 3],
    'Col2': [2, 1, 1],
    'Col3': [1, 1, 2]
})

# 指定要统计的数值（这里自动提取所有唯一值并排序，也可手动写[1,2,3]）
target_values = sorted(df.stack().unique())

# 每行统计值出现次数，缺失值补0
count_df = df.apply(
    lambda row: row.value_counts().reindex(target_values, fill_value=0),
    axis=1
)

# 重命名统计列
count_df.columns = [f'Count{v}' for v in target_values]

# 拼接原表和统计结果
final_df = pd.concat([df, count_df], axis=1)

print(final_df)

方法2：向量式操作（大数据集更高效） #

避免逐行循环，用melt转长表后分组统计，适合数据量较大的场景：

import pandas as pd

df = pd.DataFrame({
    'Col1': [2, 1, 3],
    'Col2': [2, 1, 1],
    'Col3': [1, 1, 2]
})

# 添加行索引用于分组
df['row_idx'] = df.index

# 宽表转长表
melted_df = df.melt(id_vars='row_idx', value_vars=['Col1', 'Col2', 'Col3'])

# 按行和值分组计数，转宽表并补0
count_df = melted_df.groupby(['row_idx', 'value']).size().unstack(fill_value=0)

# 重命名列
count_df.columns = [f'Count{v}' for v in count_df.columns]

# 合并原表和统计结果，删除临时索引列
final_df = df.merge(count_df, left_index=True, right_index=True).drop('row_idx', axis=1)

print(final_df)

注意事项 #

• 如果只需要统计特定数值，直接替换target_values为指定列表即可，比如target_values = [1,2]就只会生成Count1和Count2列。
• 方法2的效率更高，因为Pandas的向量式操作比逐行apply快很多，数据量大时优先选这个。

内容的提问来源于stack exchange，提问作者newbie