你需要 nunique :

df = df.groupby('domain')['ID'].nunique()

print (df)
domain
'facebook.com'    1
'google.com'      1
'twitter.com'     2
'vk.com'          3
Name: ID, dtype: int64

如果你需要的话
strip ' 字符：

df = df.ID.groupby([df.domain.str.strip("'")]).nunique()
print (df)
domain
facebook.com    1
google.com      1
twitter.com     2
vk.com          3
Name: ID, dtype: int64

或者如乔恩·克莱门茨所说：

df.groupby(df.domain.str.strip("'"))['ID'].nunique()

可以这样保留列名：

df = df.groupby(by='domain', as_index=False).agg({'ID': pd.Series.nunique})
print(df)
    domain  ID
0       fb   1
1      ggl   1
2  twitter   2
3       vk   3

不同的是 nunique() 返回一个序列和 agg() 返回Dataframe。

通常，要在单个列中计算不同的值，可以使用 Series.value_counts :

df.domain.value_counts()

# 'vk.com'          5

# 'twitter.com'     2

# 'facebook.com'    1

# 'google.com'      1

# Name: domain, dtype: int64

要查看一列中有多少个唯一值，请使用 Series.nunique :

df.domain.nunique()

# 4

要获得所有这些不同的值，可以使用 unique 或者 drop_duplicates ，两个函数之间的细微差别是 unique 返回a numpy.array 而 drop_duplicates 返回一个 pandas.Series :

df.domain.unique()

# array(["'vk.com'", "'twitter.com'", "'facebook.com'", "'google.com'"], dtype=object)

df.domain.drop_duplicates()

# 0          'vk.com'

# 2     'twitter.com'

# 4    'facebook.com'

# 6      'google.com'

# Name: domain, dtype: object

对于这个特定的问题，因为您想计算另一个变量的不同值 groupby 方法提供的其他答案在这里，你也可以简单地删除重复的第一，然后做 value_counts() :

import pandas as pd
df.drop_duplicates().domain.value_counts()

# 'vk.com'          3

# 'twitter.com'     2

# 'facebook.com'    1

# 'google.com'      1

# Name: domain, dtype: int64

df.domain.value\u counts（）

>>> df.domain.value_counts()

vk.com          5

twitter.com     2

google.com      1

facebook.com    1

Name: domain, dtype: int64

你想要不同的号码吗 ID 每 domain ，则可以尝试以下操作：

output = df.drop_duplicates()
output.groupby('domain').size()

输出：

domain
facebook.com    1
google.com      1
twitter.com     2
vk.com          3
dtype: int64

你也可以用 value_counts 但最好的是耶斯雷尔的答案 nunique :

%timeit df.drop_duplicates().groupby('domain').size()
1000 loops, best of 3: 939 µs per loop
%timeit df.drop_duplicates().domain.value_counts()
1000 loops, best of 3: 1.1 ms per loop
%timeit df.groupby('domain')['ID'].nunique()
1000 loops, best of 3: 440 µs per loop