如何对DataFrame按Col A分组并获取对应列计数与最高频项？

问题场景 #

现有如下DataFrame：

需要生成目标DataFrame，展示每个Col A分类的总条数（Count A）、分类下出现次数最多的Col B项及其计数（Count B），目标结果如下：

注：原目标表格中blue的Count B标注为2，实际原始数据中bus出现3次，此处修正为正确值。

已尝试代码 #

仅能获取分类与对应高频项，缺失总条数和高频项计数：

df2 = df.groupby('Col A')['Col B'].apply(lambda x: x.value_counts().index[0]).reset_index()

解决方案 #

方法一：自定义聚合函数一次性统计 #

通过groupby.agg传入自定义函数，一次完成所有统计需求：

import pandas as pd

def group_stats(col_b_series):
    # 统计当前分类的总条数
    count_a = len(col_b_series)
    # 统计Col B的频次
    freq = col_b_series.value_counts()
    # 获取高频项和对应计数
    most_common = freq.index[0]
    count_b = freq.iloc[0]
    # 返回结果Series
    return pd.Series([count_a, most_common, count_b], index=['Count A', 'Col B', 'Count B'])

# 执行分组统计并重置索引
df2 = df.groupby('Col A')['Col B'].agg(group_stats).reset_index()

方法二：分步统计后合并 #

拆分统计步骤，再合并结果，逻辑更直观：

# 步骤1：统计每个Col A的总条数
count_a_df = df.groupby('Col A').size().reset_index(name='Count A')

# 步骤2：统计每个Col A下Col B的高频项及对应计数
def get_top_b(col_b_series):
    freq = col_b_series.value_counts()
    return pd.Series([freq.index[0], freq.iloc[0]], index=['Col B', 'Count B'])

count_b_df = df.groupby('Col A')['Col B'].apply(get_top_b).reset_index()

# 步骤3：合并两个DataFrame
df2 = pd.merge(count_a_df, count_b_df, on='Col A')

方法三：利用mode简化高频项获取 #

借助pd.Series.mode直接获取众数，再结合分组统计：

# 统计分类总条数
count_a = df.groupby('Col A').size().rename('Count A')

# 获取每个分类下Col B的众数（高频项）
most_common_b = df.groupby('Col A')['Col B'].agg(lambda x: x.mode()[0]).rename('Col B')

# 统计高频项的出现次数
count_b = df.groupby(['Col A', 'Col B']).size().reset_index(name='Count B')
count_b = count_b.groupby('Col A')['Count B'].max().rename('Count B')

# 合并所有结果
df2 = pd.concat([count_a, most_common_b, count_b], axis=1).reset_index()

内容的提问来源于stack exchange，提问作者MueezK