仅用于使用numpy.count_nonzero加速

import numpy as np 

np.count_nonzero(df['Column']=='John')
Out[186]: 2

请尝试使用以下方法：
df['Column:'].value_counts()['John']

In [6]: %timeit df[0].value_counts()['John']
1000 loops, best of 3: 548 µs per loop

In [7]: %timeit df[0].eq('John').sum()
The slowest run took 8.19 times longer than the fastest. This could mean that an intermediate result is being cached.
1000 loops, best of 3: 311 µs per loop

In [8]: %timeit np.count_nonzero(df[0]=='John')
10000 loops, best of 3: 162 µs per loop

编辑：最快的是使用np.count_nonzero...
显然，使用eq（）比使用value_counts（）更快，这是显而易见的，因为value_counts计算所有值的计数，而.eq（）只计算给定值的计数。

我也有类似的问题。
但如果您的数据看起来像
Dave，姓1
John，姓1
John，姓2
Thanos，姓氏3
Bob，姓4
如何计算surname1 & john在列中出现的次数