下面是df.stack的一种方法：

group_1 = ['a','b','c']
group_2 = ['x','y','z']

s = df.stack()

res = (pd
       .concat(
           [s[s.isin(g)].value_counts(normalize=True)
            .reindex(g).fillna(0) 
            for g in [group_1, group_2]]
           )
       .to_frame().T.add_prefix('%_')
       )

res

        %_a       %_b   %_c       %_x       %_y  %_z
0  0.333333  0.416667  0.25  0.666667  0.333333  0.0

• • 说明**
• 首先，我们使用df.stack将df转换为pd.Series。
• 现在，对于每个组，我们只想获取属于该特定组的值（使用Series.isin），并将normalize参数设置为True，将Series.value_counts应用于此选择。
• 接下来，我们链接Series.reindex以重新添加组中未出现在选择中的任何值（即group_1中的z）;我们通过使用Series.fillna为任何这样的缺失值提供值0。
• 我们使用列表解析将此逻辑应用于两个组，并将结果用作pd.concat的输入以返回一个Series。
• 最后，我们将Series转换为df（Series.to_frame），将其转置（df.T），并向列添加前缀（df.add_prefix）。

您可以为此使用布尔掩码。例如：

df.isin(group_1)

将为您提供一个布尔掩码，其中列表group_1中DataFrame的值为True，其余为False。然后计算为True的值的数量就像使用.sum()方法两次或.values.sum()一样简单（即转换为numpy数组，然后对真值求和）。
以同样的方式，您可以迭代通过组的元素，并使用布尔掩码来过滤单个值，例如。

for i in group_1:
    print(f"Number of {i}= {(df==i).values.sum()}")

对于解决方案，我将把组放在字典中，然后遍历字典：

groups = {'group1': group_1, 'group2': group_2 }
results = {}
for group_name, group in groups.items():
    count_group = df.isin(group).values.sum()
    results[group_name] = {}
    for val in group:
        count_value = (df==val).values.sum()
        results[group_name][val] = count_value/count_group
print(results)

下面是关于melt和value_counts的命题：

g1 = df.isin(group_1).sum().sum()
g2 = df.isin(group_2).sum().sum()
​
d = {**{k:g1 for k in group_1}, **{k:g2 for k in group_2}}
​
out = (
        df
          .set_index("id").melt()
           ["value"].value_counts().to_frame()
          .join(pd.Series(d).rename("c"), how="outer").fillna(0)
          .assign(temp_col= lambda x: x.pop("value").div(x.pop("c")))
          .T.sort_index(axis=1).add_prefix("%_").reset_index(drop=True)

      )

输出：

print(out)

        %_a       %_b   %_c       %_x       %_y  %_z
0  0.333333  0.416667  0.25  0.666667  0.333333  0.0

如果group_1和group_2的元素不能在同一列中共存，可能的解决方案是，基于numpy：

def get_percs(df, group, cols):
    size = df.iloc[:,cols].values.size
    return np.sum(
        np.sum(df.iloc[:,cols].values ==
               np.array(group)[:,None][:,None], axis=2),
        axis=1) / size

get_percs(df, group_1, range(1,5)), get_percs(df, group_2, range(5,6))

输出：

(array([0.33333333, 0.41666667, 0.25      ]),
 array([0.66666667, 0.33333333, 0.        ]))

如果要求输出为 Dataframe ：

pd.concat([pd.DataFrame(get_percs(df, g[0], g[1]).reshape(1,-1), 
                        columns=[f'%_{x}' for x in g[0]]) 
           for g in zip([group_1, group_2], [range(1,5), range(5,6)])], axis=1)

输出：

%_a       %_b   %_c       %_x       %_y  %_z
0  0.333333  0.416667  0.25  0.666667  0.333333  0.0