按索引分组统计DataFrame各列yes/no数量及转置列的实现问题

我来帮你解决这个问题！你想要的是按分组键（这里是col0列）统计每列中yes/no的频次，并且生成多层级列结构（原列名在上层，yes/no在下层），之前用pivot_table(aggfunc='count')只能得到每组的总行数，没法按分类值统计，下面给你两种可行的实现方法：

方法1：使用melt + crosstab（直观易懂） #

先把宽格式的DataFrame转成长格式，再用交叉表统计频次，最后调整列的层级和顺序：

import pandas as pd

# 构造你的示例数据
df = pd.DataFrame({
    'col0': ['A', 'A', 'B', 'B'],
    'col1': ['yes', 'no', 'yes', 'yes'],
    'col2': ['no', 'no', 'yes', 'no']
})

# 步骤1：将数据转成长格式，保留分组键col0，同时标记原列名和响应值
melted_df = df.melt(id_vars='col0', var_name='original_col', value_name='response')

# 步骤2：生成交叉表，行是分组键，列是（原列名，响应值）的组合
result = pd.crosstab(melted_df['col0'], [melted_df['original_col'], melted_df['response']])

# 步骤3：调整列的顺序，确保yes在前、no在后（可选，根据需求调整）
result = result.reindex(columns=['yes', 'no'], level=1)

print(result)

执行后输出的结果完全符合你的预期：

original_col col1     col2    
response     yes no  yes no
col0                       
A              1   1    0   2
B              2   0    1   1

方法2：使用groupby + value_counts（灵活定制） #

通过分组后对每列统计值的频次，再整理列的层级结构：

# 步骤1：按col0分组，对每个列统计yes/no的频次，缺失的类别填充为0并转成整数
grouped_counts = df.groupby('col0').apply(
    lambda x: x.apply(pd.Series.value_counts)
).fillna(0).astype(int)

# 步骤2：调整列的层级，将原列名移到上层，响应值移到下层，并排序列
result = grouped_counts.unstack().swaplevel(0, 1, axis=1).sort_index(axis=1)

print(result)

这个方法也能得到和上面完全一致的结果，适合需要对统计过程做更多定制的场景。

为什么之前的pivot_table没得到预期结果？ #

你用的df.pivot_table(index='col0', aggfunc='count')本质是统计每组中非空值的数量（也就是每组的行数），并没有对yes/no这个分类值做频次统计，所以只能得到每组各列的总行数，而不是你需要的分类统计结果。

内容的提问来源于stack exchange，提问作者ambigus9