如何在Pandas中基于DateTime按ID生成月度犯罪类型计数列

现有一个存储犯罪事件的大型DataFrame df，包含四列，其中INCIDENT_DATE为datetime类型，犯罪类型分为Violent（暴力犯罪）、Property（财产犯罪）和非索引类。示例数据如下：

需要生成一个新的DataFrame，按每个ID和月份统计暴力犯罪、财产犯罪的数量，以及该ID当月的事件总数，目标格式如下：

注：目标表格中LA356890行的“暴力犯罪”列原内容有误，已修正为0。

此前已通过以下代码生成按ID和Year_Month统计总事件数的DataFrame，但未区分犯罪类型：

df1 = (df.value_counts(['ID', df['INCIDENT_DATE'].dt.to_period('M').rename('Year_Month')])
     .rename('Count').reset_index())

请问如何沿用该逻辑生成所需的额外列？

方法一：基于value_counts的链式写法（沿用原有逻辑） #

在原有value_counts的基础上，加入犯罪类型作为统计维度，再通过透视表将类型转为列，最后计算总计：

result = (df
          # 提取年月列，统一命名为Year_Month
          .assign(Year_Month=df['INCIDENT_DATE'].dt.to_period('M'))
          # 按ID、年月、类型统计事件数，对应带维度的value_counts
          .value_counts(['ID', 'Year_Month', '类型'])
          .rename('Count')
          .reset_index()
          # 透视表将类型转为列，缺失值填充为0（代表当月无该类型犯罪）
          .pivot(index=['ID', 'Year_Month'], columns='类型', values='Count')
          .fillna(0)
          .astype(int)
          # 只保留需要的暴力和财产犯罪列，并重命名为中文
          .filter(['Violent', 'Property'])
          .rename(columns={'Violent': '暴力犯罪', 'Property': '财产犯罪'})
          # 计算当月事件总计
          .assign(总计=lambda x: x['暴力犯罪'] + x['财产犯罪'])
          # 重置索引，转为目标格式的平级列
          .reset_index())

方法二：groupby聚合（更高效的替代方案） #

如果处理超大型数据集，groupby聚合的性能会更优，逻辑也更直接：

result = (df
          .assign(Year_Month=df['INCIDENT_DATE'].dt.to_period('M'))
          # 按ID和年月分组，对类型列做聚合统计
          .groupby(['ID', 'Year_Month'])['类型']
          .agg(
              暴力犯罪=lambda x: (x == 'Violent').sum(),
              财产犯罪=lambda x: (x == 'Property').sum()
          )
          # 计算总计
          .assign(总计=lambda x: x['暴力犯罪'] + x['财产犯罪'])
          .reset_index())

两种方法最终都会生成符合要求的DataFrame，其中方法一完全沿用了你最初使用value_counts的统计思路，方法二则更适合大规模数据的快速处理。

内容的提问来源于stack exchange，提问作者TheMaffGuy