如何在不复制数据时统计Pandas中整数频率并排除NaN

直接通过链式操作在原堆叠结果上完成过滤，不需要复制数据到新表：

情况1：仅统计严格int类型的数值（排除5.0这类浮点数形式的整数） #

print(df.stack().dropna().loc[lambda s: s.apply(lambda val: isinstance(val, int))].value_counts())

情况2：统计值为整数的数值（包含5.0这类浮点数形式的整数） #

如果数据里存在以浮点数存储的整数，可通过数值判断过滤：

print(df.stack().dropna().loc[lambda s: s.eq(s.astype(int))].value_counts())

代码说明 #

• df.stack()：将DataFrame按行堆叠为Series，保留原层级索引
• .dropna()：直接移除所有NaN值，属于链式操作，无需复制数据
• .loc[lambda s: ...]：通过lambda表达式过滤符合条件的元素，避免生成中间表
• .value_counts()：最后统计各值的出现频率，默认会排除NaN（提前用dropna过滤属于双重保障）

之前尝试失败的原因 #

你用df["path"].value_counts()的思路不匹配当前场景：df.stack()是对整个DataFrame的堆叠操作，和单列df["path"]的操作对象完全不同；另外value_counts()本身默认dropna=True，但你需要额外过滤整数类型，单纯调整参数无法满足需求。

内容的提问来源于stack exchange，提问作者LoneWalkerNS