基于DataFrame列索引值，从两列表生成计数新DataFrame

我有两个列表：

a = [12, 12, 12, 3, 4, 5]
b = [1, 2, 4, 5, 6, 12, 4, 7, 9, 2, 3, 5, 6]

还有一个DataFrame df，它的列位置索引对应上述列表中的元素，比如df的列信息如下：

df.columns
Index(['lep', 'eta', 'phi', 'missing energy magn', 'missing energy phi', 'jet'])

（实际列数比示例更多）

我需要创建一个新的DataFrame，包含以下列：
索引值, 列名, 在a中的出现次数, 在b中的出现次数

举个例子：如果索引值12在列表a中出现3次、在列表b中出现2次，对应df中的列名为'foo'，那么新DataFrame里的对应行就是：12, foo, 3, 2。

我知道可以用循环统计列表元素的计数，但不知道怎么把计数和对应的列索引关联起来。期望的输出示例如下：

new_df.head()
   index                name  count_a  count_b
0      0                 lep        0        0
1      1                 eta        0        1
2      2                 phi        0        2
3      3  missing energy magn        1        1
4      4  missing energy phi        1        1

可以用collections.Counter快速统计列表元素的出现次数，再结合Pandas的映射功能关联到df的列信息，无需循环即可实现：

1. 导入所需库

import pandas as pd
from collections import Counter

2. 统计列表a和b中各索引值的出现次数

count_a = Counter(a)
count_b = Counter(b)

3. 基于df的列信息创建基础DataFrame

# 生成列的位置索引和对应列名的数据集
base_data = {
    'index': range(len(df.columns)),
    'name': df.columns.tolist()
}
new_df = pd.DataFrame(base_data)

4. 映射计数到新DataFrame中

# 用map匹配索引值的计数，不存在的索引值填充0并转为整数类型
new_df['count_a'] = new_df['index'].map(count_a).fillna(0).astype(int)
new_df['count_b'] = new_df['index'].map(count_b).fillna(0).astype(int)

执行完以上代码后，new_df就是符合需求的结果。

内容的提问来源于stack exchange，提问作者PolarVortex8