Pandas如何统计存储字典列表的列中各独立值的出现次数

value_counts()默认按单元格整体值统计频次，要统计所有嵌套字典内的独立name值，只需要先把嵌套结构拆成一维的名字序列，再做频次统计即可，下面给两种可直接运行的实现：

方法1：列表推导式写法（小数据量简单直观） #

通过两层遍历直接提取所有名字，转成Series后统计，不需要记忆特殊API：

import pandas as pd

# 提取所有name值并统计频次，自动跳过非字典格式的异常元素
name_counts = pd.Series(
    [d.get("name") for cell_list in df["col1"] for d in cell_list if isinstance(d, dict)]
).value_counts()

• 优点：代码逻辑直白好懂，上手快
• 适用场景：万行以内的小数据集

方法2：explode向量化写法（大数据量性能更优） #

用pandas原生的explode方法先把列表里的每个字典拆成独立行，再取值统计，属于pandas向量化操作，大样本下运行速度远快于循环写法：

name_counts = (
    df["col1"]
    .explode()  # 将列表中每个字典拆分为单独的行
    .apply(lambda x: x.get("name") if isinstance(x, dict) else None)
    .dropna()  # 自动跳过空值、格式异常的无效数据
    .value_counts()
)

• 优点：性能好，链式操作逻辑清晰，方便后续追加其他数据处理逻辑
• 适用场景：十万行以上的较大数据集

运行结果示例 #

基于你给出的样例数据（修正Barbara缺失的闭合单引号语法问题后），运行得到的统计结果如下：

John        2
Mark        2
Susan       1
Mr.Bean     1
The Smiths  1
Barbara     1
Poly        1
Nick        1
Name: count, dtype: int64

提示：如果数据中存在空列表、缺失值、非字典格式的脏数据，上述代码里加的类型判断和dropna()逻辑会自动跳过异常内容，不会中断代码运行。

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