也许是.value_counts()？

>>> import pandas
>>> my_series = pandas.Series([1,2,2,3,3,3, "fred", 1.8, 1.8])
>>> my_series
0       1
1       2
2       2
3       3
4       3
5       3
6    fred
7     1.8
8     1.8
>>> counts = my_series.value_counts()
>>> counts
3       3
2       2
1.8     2
fred    1
1       1
>>> len(counts)
5
>>> sum(counts)
9
>>> counts["fred"]
1
>>> dict(counts)
{1.8: 2, 2: 2, 3: 3, 1: 1, 'fred': 1}

您可以在 Dataframe 上使用列表解析来计算列的频率

[my_series[c].value_counts() for c in list(my_series.select_dtypes(include=['O']).columns)]

分解：

my_series.select_dtypes(include=['O'])

只选择分类数据

list(my_series.select_dtypes(include=['O']).columns)

将上面的列转换为列表

[my_series[c].value_counts() for c in list(my_series.select_dtypes(include=['O']).columns)]

迭代上面的列表并将value_counts（）应用于每个列

@DSM提供的答案简单明了，但我想我应该在这个问题上添加自己的输入。如果您查看pandas.value_counts的代码，您会发现有很多事情要做。
如果您需要计算许多序列的频率，这可能需要一段时间。更快的实现方式是将numpy.unique与return_counts = True一起使用
下面是一个例子：

import pandas as pd
import numpy as np

my_series = pd.Series([1,2,2,3,3,3])

print(my_series.value_counts())
3    3
2    2
1    1
dtype: int64

注意，这里返回的项目是一只Pandas。Series
相比之下，numpy.unique返回一个包含两个项的元组，即唯一值和计数。

vals, counts = np.unique(my_series, return_counts=True)
print(vals, counts)
[1 2 3] [1 2 3]

然后，您可以将这些内容合并到字典中：

results = dict(zip(vals, counts))
print(results)
{1: 1, 2: 2, 3: 3}

然后转换为pandas.Series

print(pd.Series(results))
1    1
2    2
3    3
dtype: int64

对于具有过量值的变量的频率分布，您可以将值按类分解，
这里我为employrate变量取了过多的值，它的频率分布与直接values_count(normalize=True)没有任何意义

country  employrate alcconsumption
0           Afghanistan   55.700001            .03
1               Albania   11.000000           7.29
2               Algeria   11.000000            .69
3               Andorra         nan          10.17
4                Angola   75.699997           5.57
..                  ...         ...            ...
208             Vietnam   71.000000           3.91
209  West Bank and Gaza   32.000000               
210         Yemen, Rep.   39.000000             .2
211              Zambia   61.000000           3.56
212            Zimbabwe   66.800003           4.96

[213 rows x 3 columns]

values_count(normalize=True)的频率分布，无分类，此处结果长度为139（作为频率分布似乎无意义）：

print(gm["employrate"].value_counts(sort=False,normalize=True))

50.500000   0.005618
61.500000   0.016854
46.000000   0.011236
64.500000   0.005618
63.500000   0.005618

58.599998   0.005618
63.799999   0.011236
63.200001   0.005618
65.599998   0.005618
68.300003   0.005618
Name: employrate, Length: 139, dtype: float64

分类我们将所有值置于一定范围IE内。
一个二个一个一个
经过分类，我们有了一个清晰的频率分布，这里我们可以很容易地看到，37.64%个国家的就业率在51-60%之间，11.79%个国家的就业率在71-80%之间

5.000000   0.376404
7.000000   0.117978
4.000000   0.179775
6.000000   0.264045
8.000000   0.033708
3.000000   0.028090
Name: employrate, dtype: float64