对两个测试应用notna()调用，然后调用value_counts：

result = df[["testA", "testB"]].notna().value_counts()
result.index = result.index.map({
    (True, True): "Both A and B",
    (True, False): "A but not B",
    (False, True): "B but not A",
    (False, False): "Neither A nor B"
})

结果：

Both A and B       3
A but not B        2
Neither A nor B    1
B but not A        1

对于两列，可以分别查询每个条件：

a_exists = df["testA"].notna()
b_exists = df["testB"].notna()

# both
>>> (a_exists & b_exists).sum()
3

# A, but not B
>>> (a_exists & ~b_exists).sum()
2

# B, but not A
>>> (~a_exists & b_exists).sum()
1

但是可以通过一些itertools自动化：

from itertools import compress, product

cols = ["A", "B"]
for ma, mb in product([0, 1], repeat=2):
    if ma == mb == 1: continue
    ab_info =  "".join(compress(cols, (1 - ma, 1 - mb)))
    counts  = ((a_exists ^ ma) & (b_exists ^ mb)).sum()

    print(ab_info, counts)

• 获取[0，1] x 2上的"选择器"
• 如果两者都是1，即两者都不存在，则跳过选择器
• 否则
• 使用compress获取选定的参与方
• 通过逐位XOR和AND结果查看是否求反
• 求和以获得总计数

其打印

AB 3
A 2
B 1

按照fmarc对How to replace all non-NaN entries of a dataframe with 1 and all NaN with 0的回答，我们可以将 Dataframe 转换为只包含0和1。

df = df.notnull().astype('int')

然后，我将列'testA'中的0和1替换为'not A'和'A'。我对列' testB '重复类似的操作。

df['testA'].replace(1, 'A', inplace=True)
    df['testA'].replace(0, 'not A', inplace=True)
    df['testB'].replace(1, 'B', inplace=True)
    df['testB'].replace(0, 'not B', inplace=True)

我这样做是为了简化我们的下一步，即把'testA'和'testB'中的两个字符串相加并得到它们的value_counts：

df['sum'] = df['testA'] + ' + ' +newdf['testB']
    df['sum'].value_counts()

最后一行代码应该会产生你想要的结果。下面是我得到的结果：输入：

id   testA   testB
0   1   3.0 NaN
1   1   1.0 3.0
2   2   2.0 NaN
3   2   NaN 1.0
4   2   0.0 0.0
5   3   NaN NaN
6   3   1.0 1.0

输出：

A + B            3
A + not B        2
not A + B        1
not A + not B    1
Name: sum, dtype: int64