如何在Dataframe中忽略空值并批量统计各类颜色的元素数量？

方法一：使用pandas内置的value_counts()（推荐） #

pandas的Series.value_counts()方法专门用来统计类别型数据的出现次数，默认会自动忽略NaN空值，代码简洁且性能优化过，完全不用手动写重复代码：

color_counts = data["Primary Fur Color"].value_counts()

执行后，color_counts是一个pandas.Series对象——索引是各类颜色（比如Black、Gray、Cinnamon），对应的值就是该颜色的元素总数。你可以直接打印查看结果，也能通过索引单独获取某类颜色的数量，比如color_counts["Gray"]。

如果需要把结果转换成字典格式方便后续处理，只需追加：

color_counts_dict = data["Primary Fur Color"].value_counts().to_dict()

方法二：手动过滤空值后统计（适合自定义逻辑） #

如果需要在统计过程中添加额外自定义规则，可以先过滤列中的空值，再获取唯一颜色类别，最后循环统计：

# 过滤掉所有空值
fur_clean = data["Primary Fur Color"].dropna()
# 获取去重后的颜色集合
fur_unique = set(fur_clean.to_list())
# 遍历统计每个颜色的数量
color_counts = {}
for color in fur_unique:
    color_counts[color] = len(fur_clean[fur_clean == color])

这种方法灵活性更高，但对于单纯的计数需求，value_counts()是更优选择——尤其是数据量较大时，内置方法的性能会远优于手动循环。

内容的提问来源于stack exchange，提问作者Avry G.