如何将pd.value_counts()结果与自定义变量追加到DataFrame行中？

嘿，这个需求很常见，我给你两种靠谱的实现方式，都能精准达到你想要的效果：

适合循环次数不多的场景，每次循环单独处理当前数据，再追加到最终的DataFrame里，还能自动补全缺失的动物类别并填充0。

先初始化一个空的结果DataFrame：

import pandas as pd

# 初始化结果表，指定列顺序和初始列
result_df = pd.DataFrame(columns=['store', 'cat', 'bird', 'dog'])

然后在每次循环里这么处理：

# 第一次循环的示例数据
name = 'store1'
exampledf = pd.DataFrame({'animal': ['bird', 'bird', 'dog', 'cat', 'cat', 'cat']})

# 统计动物数量，转成带列名的DataFrame
counts = exampledf['animal'].value_counts().reset_index()
counts.columns = ['animal', 'count']

# 转成宽格式，补全所有动物类别，缺失的填0
current_row = counts.pivot(index=pd.Index([name]), columns='animal', values='count')
current_row = current_row.reindex(columns=['cat', 'bird', 'dog'], fill_value=0)
# 添加store列并调整顺序
current_row['store'] = name
current_row = current_row[['store', 'cat', 'bird', 'dog']]

# 追加到结果表
result_df = pd.concat([result_df, current_row], ignore_index=True)

第二次循环重复同样的逻辑就行：

# 第二次循环的示例数据
name = 'store2'
exampledf = pd.DataFrame({'animal': ['cat', 'cat', 'bird', 'cat', 'cat', 'bird']})

counts = exampledf['animal'].value_counts().reset_index()
counts.columns = ['animal', 'count']

current_row = counts.pivot(index=pd.Index([name]), columns='animal', values='count')
current_row = current_row.reindex(columns=['cat', 'bird', 'dog'], fill_value=0)
current_row['store'] = name
current_row = current_row[['store', 'cat', 'bird', 'dog']]

result_df = pd.concat([result_df, current_row], ignore_index=True)

最终你会得到想要的结果：

store  cat  bird  dog
0  store1    3     2    1
1  store2    4     2    0

如果你的循环次数很多，这种方法效率更高——先把所有数据收集起来，最后一次性统计转换，避免多次拼接DataFrame的开销。

代码示例：

import pandas as pd

# 初始化列表用来存所有带store标记的动物数据
data_records = []

# 第一次循环
name = 'store1'
exampledf = pd.DataFrame({'animal': ['bird', 'bird', 'dog', 'cat', 'cat', 'cat']})
# 把当前store的每条动物记录都带上store名称，加入列表
data_records.extend([{'store': name, 'animal': animal} for animal in exampledf['animal']])

# 第二次循环
name = 'store2'
exampledf = pd.DataFrame({'animal': ['cat', 'cat', 'bird', 'cat', 'cat', 'bird']})
data_records.extend([{'store': name, 'animal': animal} for animal in exampledf['animal']])

# 把所有数据转成DataFrame，然后用交叉表统计数量，自动补0
full_df = pd.DataFrame(data_records)
result_df = pd.crosstab(full_df['store'], full_df['animal']).reset_index()
# 调整列顺序匹配你的需求
result_df = result_df[['store', 'cat', 'bird', 'dog']]

运行后得到的结果和方法1完全一致，而且性能更优。

额外提示 #

如果你的动物类别不是固定的（比如后续可能出现新的动物），可以动态获取所有类别：比如在收集完所有数据后，用all_animals = full_df['animal'].unique()来替换固定的['cat', 'bird', 'dog']，这样就能自动适配新的类别了。

内容的提问来源于stack exchange，提问作者Liquidity