如何在Pandas中实现颜色列去重并统计其在原DataFrame中的出现次数

我有一个包含produce（农产品）列和colors（颜色列表）列的Pandas DataFrame：

import pandas as pd

data = {'produce':['zucchini','apple','citrus','banana','pear'],
      'colors':['green, yellow','green, red, yellow','orange, yellow ,green','yellow','green, yellow, brown']}
df = pd.DataFrame(data)
print(df)

输出的DataFrame如下：

produce                 colors
0  zucchini          green, yellow
1     apple     green, red, yellow
2    citrus  orange, yellow, green
3    banana                 yellow
4      pear   green, yellow, brown

我想要创建第二个DataFrame，包含每个唯一颜色，并统计该颜色在第一个DataFrame中的出现次数。

我尝试提取唯一颜色到新DataFrame：

# 创建包含唯一值的DataFrame
unique_colors = df['colors'].str.split(",").explode().unique()
df2 = pd.DataFrame()
df2['Color'] = unique_colors
print(df2)

但结果出现重复值（实际是因为颜色字符串带前后空格，被识别为不同值）：

Color
0    green
1   yellow
2      red
3   orange
4    green
5   yellow
6    brown

同时尝试添加计数列时出现错误ValueError: Length of values (0) does not match length of index (5)，尝试的代码如下：

# df['Count'] = data['colors'] == df2['Color']
df['Count'] = ()
for i in df2['Color']:
      count=0
      if df["colors"].str.contains(i):
            count+1
      df['Count']=count

请问如何：

1. 确保颜色列表无重复值；
2. 统计每个颜色在原DataFrame中的出现次数？
   （注：这是大型DataFrame的简化场景，无法直接编辑原DataFrame来修复重复问题）

核心问题分析 #

你遇到的重复值本质是颜色字符串存在前后空格（比如" yellow "和"yellow"被视为不同值），而循环计数的方法不仅效率极低（不适合大型DataFrame），还存在逻辑错误（count+1未赋值、赋值方式错误）。

高效实现方法 #

以下方法无需修改原DataFrame，直接处理颜色列，同时完成去重和计数：

1. 一步生成含唯一颜色及计数的DataFrame

import pandas as pd

# 拆分颜色列，清理每个颜色的前后空格，展开为单行单颜色的序列
color_series = df['colors'].str.split(',', expand=True).stack().str.strip()

# 统计每个颜色的出现次数，自动去重并生成结果DataFrame
color_counts_df = color_series.value_counts().reset_index()
# 重命名列名
color_counts_df.columns = ['Color', 'Count']

print(color_counts_df)

输出结果：

Color  Count
0  yellow      4
1   green      3
2     red      1
3  orange      1
4   brown      1

2. 分步实现（如需单独获取唯一颜色列表）

如果需要先单独得到无重复的颜色列表，再添加计数：

# 拆分、清理、展开颜色列
color_series = df['colors'].str.split(',', expand=True).stack().str.strip()

# 获取无重复的颜色列表
unique_colors = color_series.unique()
df2 = pd.DataFrame({'Color': unique_colors})

# 添加计数列：通过map匹配每个颜色的出现次数
df2['Count'] = df2['Color'].map(color_series.value_counts())

print(df2)

关键细节说明 #

• 清理空格：使用str.strip()去除每个颜色字符串的前后空格，确保" green"和"green"被识别为同一颜色。
• 高效统计：value_counts()是Pandas内置的高效统计方法，比手动循环快几个数量级，完全适配大型DataFrame场景。
• 避免误匹配：拆分后展开为单行单颜色的序列，避免了str.contains()可能带来的子串匹配错误（比如不会把"light green"统计为"green"）。

内容的提问来源于stack exchange，提问作者Smashley