如何统计Pandas数据框文件名列中的唯一文件扩展名数量？

你的需求是从包含大量带扩展名文件名的DataFrame列中，统计唯一文件扩展名的数量，当前尝试的代码逻辑有误，下面是修正后的实现方法：

问题分析 #

你写的代码df[['filename']].loc[df['filename'].str.split().str.most_common(100)]存在两个核心问题：

• 默认str.split()按空格分割文件名，而扩展名是通过.分隔的，分割符错误
• str.most_common()是Counter类的方法，不能直接在Series的str属性上调用，调用逻辑不成立

正确实现方法 #

方法1：直接统计唯一数量 #

通过分割文件名提取最后一部分作为扩展名，再用nunique()统计唯一值数量：

# 提取每个文件名的扩展名（处理含多个点的情况，如file.tar.gz取gz）
extensions = df['filename'].str.split('.').str[-1]
# 计算唯一扩展名的数量
unique_extension_count = extensions.nunique()
print(unique_extension_count)

方法2：同时查看扩展名分布与数量 #

如果需要同时知道每个扩展名的出现次数，再统计唯一数量：

# 统计每个扩展名的出现次数
extension_counts = df['filename'].str.split('.').str[-1].value_counts()
# 唯一扩展名数量即为结果的长度
unique_ext_count = len(extension_counts)

# 打印详细分布和数量
print("各扩展名出现次数：")
print(extension_counts)
print(f"\n唯一扩展名数量：{unique_ext_count}")

处理特殊情况 #

如果存在无扩展名的文件（如readme）或隐藏文件（如.gitignore），可以过滤掉这类情况：

# 仅保留有明确扩展名的文件（分割后元素数>1），并提取扩展名
valid_extensions = df['filename'].str.split('.').apply(
    lambda x: x[-1] if len(x) > 1 else None
).dropna()
# 统计唯一数量
unique_valid_count = valid_extensions.nunique()
print(unique_valid_count)

内容的提问来源于stack exchange，提问作者HAAAAN