如何为含嵌套列表的DataFrame列新增统计元素出现次数总和的列

嘿，针对你这个包含嵌套列表的大型DataFrame，我来分享几个实用的解决方案，帮你快速新增统计各类元素（D/C/S）出现次数的列！

先明确需求 #

你的value列里每个元素是嵌套列表，每个子列表格式是[起始值, 结束值, 类型]，我们需要统计每行里D、C、S各自出现的次数，新增一列（或多列）来存储这些统计结果。

方法一：基础实现（适合快速验证） #

首先要注意：CSV文件里的嵌套列表其实是字符串格式，所以第一步得把它转换成真正的Python列表对象，然后再统计。

import pandas as pd
from ast import literal_eval
from collections import Counter

# 读取你的CSV文件（替换成你的文件名）
df = pd.read_csv("your_data.csv")

# 将字符串形式的列表转换为实际列表（安全替代eval()）
df["value"] = df["value"].apply(literal_eval)

# 定义统计函数：遍历每行的嵌套列表，统计各类型次数
def count_type_occurrences(nested_list):
    # 提取所有子列表的第三个元素（类型）
    types = [item[2] for item in nested_list]
    # 用Counter计数并转为字典格式
    return dict(Counter(types))

# 新增type_counts列，存储每行的类型计数字典
df["type_counts"] = df["value"].apply(count_type_occurrences)

运行后，type_counts列会是这样的格式：{"D":2, "C":3, "S":4}，清晰展示每行各类型的出现次数。如果需要把每个类型拆成单独列（比如D_count、C_count），可以加这一步：

# 将字典列展开为单独的计数列，空值补0并转为整数
df = df.join(pd.json_normalize(df["type_counts"]).fillna(0).astype(int))

方法二：高效优化版（适合12k+行的大型数据集） #

上面的apply是逐行处理，数据量大时速度会慢。我们可以用Pandas的矢量化操作来提速：

import pandas as pd
from ast import literal_eval

df = pd.read_csv("your_data.csv")
df["value"] = df["value"].apply(literal_eval)

# 1. 将嵌套列表拆分成多行（每行对应一个子列表）
exploded_df = df.explode("value")

# 2. 提取每个子列表的类型
exploded_df["type"] = exploded_df["value"].str[2]

# 3. 按原行索引分组，统计各类型的出现次数
counts_df = exploded_df.groupby(exploded_df.index)["type"].value_counts().unstack(fill_value=0)

# 4. 给计数列加后缀，合并回原DataFrame
df = df.join(counts_df.add_suffix("_count"))

这个方法利用Pandas的内置分组统计功能，比逐行apply快很多，适合你的12k+行数据集。

示例输出 #

假设原DataFrame某行的value是[[1,92,"D"],[93,93,"C"],[94,113,"S"]]，新增列后会得到：

• type_counts: {"D":1, "C":1, "S":1}
• 或者单独列：D_count=1, C_count=1, S_count=1

内容的提问来源于stack exchange，提问作者Julia