您正在寻找的页面

In [11]: df.groupby(['col5', 'col2']).size()
Out[11]:
col5  col2
1     A       1
      D       3
2     B       2
3     A       3
      C       1
4     B       1
5     B       2
6     B       1
dtype: int64

要得到与waitingkuo相同的答案（“第二个问题”），但稍微清晰一点，是按级别分组：

In [12]: df.groupby(['col5', 'col2']).size().groupby(level=1).max()
Out[12]:
col2
A       3
B       2
C       1
D       3
dtype: int64

在@Andy 's answer之后，您可以执行以下操作来解决第二个问题：

In [56]: df.groupby(['col5','col2']).size().reset_index().groupby('col2')[[0]].max()
Out[56]: 
      0
col2   
A     3
B     2
C     1
D     3

只使用一个groupby的惯用解决方案

(df.groupby(['col5', 'col2']).size() 
   .sort_values(ascending=False) 
   .reset_index(name='count') 
   .drop_duplicates(subset='col2'))

  col5 col2  count
0    3    A      3
1    1    D      3
2    5    B      2
6    3    C      1

• • 说明**

groupby size方法的结果是索引中包含col5和col2的Series。你可以使用另一个groupby方法来找出col2中每个值的最大值，但这不是必须的。您可以简单地对所有值降序排序，然后使用drop_duplicates方法只保留第一次出现col2的行。

将数据插入Pandas Dataframe ，并提供列名。

import pandas as pd
df = pd.DataFrame([['A','C','A','B','C','A','B','B','A','A'], ['ONE','TWO','ONE','ONE','ONE','TWO','ONE','TWO','ONE','THREE']]).T
df.columns = [['Alphabet','Words']]
print(df)   #printing dataframe.

这是我们的打印数据：

用于在Pandas和计数器*中制作组 Dataframe ，
您需要再提供一列来计算分组，让我们在 Dataframe 中将该列称为 *“COUNTER”。
就像这样：

df['COUNTER'] =1       #initially, set that counter to 1.
group_data = df.groupby(['Alphabet','Words'])['COUNTER'].sum() #sum function
print(group_data)

输出：

是否要将包含组计数的新列（例如'count_column'）添加到 Dataframe 中：

df.count_column=df.groupby(['col5','col2']).col5.transform('count')

（我选择了“col5”，因为它不包含nan）

从Pandas1.1.0.开始，您可以在DataFrame上使用value_counts：

out = df[['col5','col2']].value_counts().sort_index()

输出：

col5  col2
1     A       1
      D       3
2     B       2
3     A       3
      C       1
4     B       1
5     B       2
6     B       1
dtype: int64

如果要构造DataFrame作为最终结果（而不是panda Series），请使用as_index=参数：

df.groupby(['col5', 'col2'], as_index=False).size()

为了获得最终期望的输出，也可以使用pivot_table（而不是双groupby）：

df.pivot_table(index='col5', columns='col2', aggfunc='size').max()

如果不想计算NaN值，可以使用groupby.count：

df.groupby(['col5', 'col2']).count()

请注意，由于每列可能具有不同数量的非NaN值，因此除非指定该列，否则简单的groupby.count调用可能会为每列返回不同的计数，如上例所示。例如，按['col5', 'col2']分组后col1中的非NaN值数量如下：

df.groupby(['col5', 'col2'])['col1'].count()

您可以只使用内置函数count，然后使用groupby函数

df.groupby(['col5','col2']).count()