按ID列分组并统计各Category分类数量的实现方法

我明白你想要把长格式的分类统计转换成每个ID一行、各分类作为列的宽格式表格，之前的groupby用法没触达正确的操作逻辑，这里给你几个简洁可行的方案：

首先构造示例DataFrame #

先还原你的输入数据，方便后续演示：

import pandas as pd

df = pd.DataFrame({
    'ID': [1,1,1,1,2,2,2,2,2,3],
    'Category': ['A','B','A','B','A','C','C','A','D','E']
})

方案1：使用pd.crosstab（最直接） #

crosstab专门用来计算列联表，正好匹配你的需求——行是ID，列是Category，值为对应组合的出现次数，最后填充缺失值为0并转换为整数类型即可：

result = pd.crosstab(df['ID'], df['Category']).fillna(0).astype(int)
print(result)

输出结果完全符合你的预期：

Category  A  B  C  D  E
ID                     
1         2  2  0  0  0
2         2  0  2  1  0
3         0  0  0  0  1

方案2：groupby + value_counts + unstack #

如果你更习惯用groupby操作，可以先按ID分组后统计每个分类的数量，再用unstack把分类转成列，最后直接填充缺失值：

result = df.groupby('ID')['Category'].value_counts().unstack(fill_value=0)
print(result)

这个方法和方案1效果完全一致，unstack(fill_value=0)可以直接把缺失的分类列填充为0，不用额外调用fillna。

为什么你之前的方法没得到预期结果？ #

• df.groupby('ID').count()：这个是统计每个ID对应的非空行总数，不会按Category拆分统计；
• df.groupby('ID')['Category']：这只是得到一个分组后的Series对象，还需要后续的聚合（比如value_counts）和格式转换（unstack）操作才能得到宽格式的计数表。

内容的提问来源于stack exchange，提问作者Mazz