如何在Pandas中按用户名分组并统计指定处置码的出现次数

嘿，这事儿用Pandas的几个常用函数就能轻松搞定，我给你两种实用方案，你可以根据自己的习惯选～

首先先构造你的原始测试数据，方便验证效果：

import pandas as pd

# 构造原始数据
data = {
    'User Name': ['person1', 'person2', 'person1', 'person2', 'person3'],
    'Disposition Code': ['Solved', 'Solved', 'Solved', 'Not Solved', 'Solved']
}
df = pd.DataFrame(data)

方法一：用pd.crosstab（最直接） #

crosstab是Pandas专门用来生成交叉统计表格的函数，刚好匹配你的需求——按行（用户名）和列（处置码）统计频次：

# 生成交叉表，自动统计每个用户对应处置码的次数
result = pd.crosstab(df['User Name'], df['Disposition Code']).reset_index()

# 重命名列名，匹配你期望的格式
result.columns = ['User Name', 'Total Not Solved', 'Total Solved']

# 调整列的顺序，让Total Solved排在前面
result = result[['User Name', 'Total Solved', 'Total Not Solved']]

print(result)

运行后输出就是你要的结果：

User Name  Total Solved  Total Not Solved
0   person1             2                 0
1   person2             1                 1
2   person3             1                 0

方法二：用groupby + value_counts + unstack（更灵活） #

如果需要更灵活的分组逻辑，这种组合方式也能实现：

# 按用户名分组，对处置码做值计数，再转成列格式（空值用0填充）
result = df.groupby('User Name')['Disposition Code'].value_counts().unstack(fill_value=0).reset_index()

# 重命名列并调整顺序
result.columns = ['User Name', 'Total Not Solved', 'Total Solved']
result = result[['User Name', 'Total Solved', 'Total Not Solved']]

print(result)

这个方法的好处是，如果后续需要扩展统计逻辑（比如加过滤条件），在groupby之后更容易调整。

补充说明 #

如果你的数据里处置码不止Solved和Not Solved两种，crosstab和unstack都会自动把所有不同的处置码转成对应的列，非常省心。要是你只想统计指定的两种，也可以手动指定列，比如在crosstab里加columns=['Solved', 'Not Solved']参数。

内容的提问来源于stack exchange，提问作者Alter Ego