如何统计Pandas DataFrame中指定单个值（如“No”）的出现次数？

嗨，我来帮你快速搞定这个需求！不用借助df.apply(pd.value_counts)统计所有值再筛选，直接用下面几种更高效的方法就能精准统计"No"的出现次数：

• 方法一：布尔掩码两层求和（最简洁）
  直接把整个DataFrame和"No"做相等判断，生成布尔型DataFrame后，先按列求和再全局求和：

  count_no = (df == "No").sum().sum()
  print(f'"No"的出现次数为{count_no}')
  

  解释：df == "No"会生成和原DataFrame同结构的布尔表，True代表对应位置是"No"；第一层.sum()统计每列里"No"的数量，第二层.sum()把所有列的结果加总，得到全局总次数。

• 方法二：堆叠成Series后统计
  先把DataFrame转成一维Series，再针对性统计"No"的次数：

  count_no = df.stack().value_counts().get("No", 0)
  print(f'"No"的出现次数为{count_no}')
  

  解释：df.stack()会把所有行、列的元素合并成一个Series；.value_counts()统计各值的出现次数，.get("No", 0)能避免"No"不存在时报错，直接返回0。

• 方法三：用Numpy提升大数据效率
  如果你的DataFrame数据量很大，用Numpy的函数会更快：

  import numpy as np
  count_no = np.count_nonzero(df.values == "No")
  print(f'"No"的出现次数为{count_no}')
  

  解释：df.values将DataFrame转为Numpy数组，np.count_nonzero直接统计数组中等于"No"的元素数量，运算效率比纯Pandas方法更高。

小提示：如果DataFrame里有缺失值（NaN），这些方法都不会把NaN误判为"No"，完全不用担心干扰统计结果~

内容的提问来源于stack exchange，提问作者Korzak