Pandas groupby分组统计时未出现类别自动补0的实现方法

首先修正你原有代码的语法错误，同时通过统一统计维度的方式补全缺失值，保证两个分组的输出列表长度一致，实现代码如下：

import pandas as pd

titles=['MR.', 'MRS.', 'MR.', 'MR.', 'MRS.', 'MR.', 'MISS.', 'MR.', 'MRS.', 'MR.', 'MR.', 'MR.', 'MRS.', 'MR.',
    'MRS.', 'MRS.', 'MR.', 'MR.', 'MISS.', 'MRS.', 'MR.', 'MASTER.', 'MRS.', 'MR.', 'MRS.', 'MR.', 'MISS.', 
    'MR.', 'MR.', 'MR.', 'MR.', 'MR.', 'MRS.', 'MRS.', 'MR.', 'MR.', 'MISS.', 'MISS.', 'MR.', 'MR.', 'MR.', 
    'MR.', 'MR.', 'MRS.', 'MRS.', 'MR.', 'MR.', 'MR.', 'MRS.', 'MRS.', 'MR.', 'MR.', 'MISS.', 'MISS.', 'MR.',
    'MASTER.', 'MR.', 'MR.', 'MR.', 'MISS.', 'MR.', 'MR.', 'MR.', 'MISS.', 'MASTER.', 'MRS.', 'MISS.', 'MR.', 
    'MR.', 'MRS.', 'MR.', 'MISS.', 'MR.', 'MISS.', 'MR.', 'MR.', 'MRS.', 'MR.', 'MASTER.', 'DON.']

vals=[1,0,1,1,0,0,0,1,0,0,1,1,0,1,0,0,0,1,1,1,1,0,0,0,1,0,1,0,0,0,1,0,1,0,1,1,0,0,0,1,1,1,0,0,0,1,0,1,0,1,
     0,1,0,0,0,1,1,1,1,0,0,0,1,0,1,0,0,0,1,0,1,0,1,1,0,1,1,0,0,0]

# 构建DataFrame
df = pd.DataFrame({'titles': titles, 'vals': vals})

# 拿到所有title的唯一值作为统一统计维度，保证两个分组的统计项完全一致
all_titles = df['titles'].unique()

# 分组统计后转宽表，缺失的title自动补0
count_df = df.groupby('vals')['titles'].value_counts().unstack(fill_value=0).reindex(columns=all_titles, fill_value=0)

# 拆分得到两个独立列表
list_vals0 = count_df.loc[0].tolist()
list_vals1 = count_df.loc[1].tolist()

print("vals=0的统计列表：", list_vals0)
print("vals=1的统计列表：", list_vals1)

运行输出 #

• vals=0的统计列表：[19, 13, 9, 2, 1]
• vals=1的统计列表：[26, 5, 3, 2, 0]
  输出完全匹配你原有扁平化的统计结果，且补全了vals=1分组中缺失的DON.对应统计值0，两个列表长度一致。

核心逻辑 #

• 先提取全量title唯一值作为统一统计维度，避免不同分组的统计维度不一致
• 通过unstack将长格式的分组统计结果转为宽表，缺失的title取值自动补0
• 按vals的不同取值分别提取行数据转列表即可

内容的提问来源于stack exchange，提问作者john johns