基于Pandas实现DataFrame的Value Count统计与合并（保留未匹配行）

嗨，作为Python/Pandas新手遇到这种表格重塑的问题很正常，别担心，我们可以用Pandas的内置函数轻松解决，完全不需要复杂的循环！

步骤拆解与代码实现 #

首先，先把你的两个DataFrame用代码还原出来方便演示：

import pandas as pd

# 第一个包含原始数据的DataFrame
df_raw = pd.DataFrame({
    'var1': ['EA-0123', 'EC-0124', 'EC-0124', 'ED-0125', 'ED-0125'],
    'var2': ['A01', 'A03', 'A03', 'A02', 'A01']
})

# 第二个需要保留所有行的基准DataFrame
df_base = pd.DataFrame({
    'var1': ['EA-0123', 'EB-0124', 'EC-0124', 'ED-0125'],
    'A01': [0, 0, 0, 0],
    'A02': [0, 0, 0, 0],
    'A03': [0, 0, 0, 0]
}).set_index('var1')  # 将var1设为索引，方便后续对齐

接下来我们分两步完成统计和合并：

1. 统计原始数据中每个var1对应var2的出现次数
   用pd.crosstab()可以直接生成宽格式的频次统计表，非常适合你的需求：

   # 生成频次表：行是var1，列是var2的取值，值是对应次数
   freq_table = pd.crosstab(df_raw['var1'], df_raw['var2'])
   

   这一步得到的freq_table会是这样的：

   var2    A01  A02  A03
   var1
   EA-0123    1    0    0
   EC-0124    0    0    2
   ED-0125    1    1    0
   

2. 对齐基准DataFrame的行，保留所有原始行
   因为你的df_base包含EB-0124这种在原始数据中没有的行，我们用reindex()方法以df_base的索引为基准对齐频次表，缺失的行自动填充0：

   # 对齐索引并填充0，得到最终结果
   final_result = freq_table.reindex(df_base.index, fill_value=0)
   

   如果你需要和df_base的初始结构完全一致（比如保留原来的0列结构），也可以直接替换df_base的列值：

   df_base[final_result.columns] = final_result
   final_result = df_base.reset_index()  # 可选：把var1从索引变回普通列
   

最终得到的结果就是你想要的：

var1  A01  A02  A03
0  EA-0123    1    0    0
1  EB-0124    0    0    0
2  EC-0124    0    0    2
3  ED-0125    1    1    0

为什么不用循环？ #

Pandas的核心优势就是向量化操作，内置函数（比如crosstab、groupby）都是经过优化的，比手动写if-elif-else循环效率高得多，还能避免索引对齐、数据类型错误等容易踩的坑。

内容的提问来源于stack exchange，提问作者avibrun