df['Counts'] = df.groupby(['Color'])['Value'].transform('count')

例如，

In [102]: df = pd.DataFrame({'Color': 'Red Red Blue'.split(), 'Value': [100, 150, 50]})

In [103]: df
Out[103]: 
  Color  Value
0   Red    100
1   Red    150
2  Blue     50

In [104]: df['Counts'] = df.groupby(['Color'])['Value'].transform('count')

In [105]: df
Out[105]: 
  Color  Value  Counts
0   Red    100       2
1   Red    150       2
2  Blue     50       1

请注意，transform('count')忽略NaNs。如果要计算NaNs，请使用transform(len)。
致匿名编辑：如果您在使用transform('count')时遇到错误，可能是因为您的Pandas版本太旧。以上程序适用于Pandas 0.15或更新版本。

另一个选择：

z = df['Color'].value_counts 

z1 = z.to_dict() #converts to dictionary

df['Count_Column'] = df['Color'].map(z1)

此选项将为您提供一个包含重复计数值的列，对应于“颜色”列中每个值的频率。

这个答案使用Series.map和Series.value_counts。它是用Pandas 1.1测试的。

df['counts'] = df['attribute'].map(df['attribute'].value_counts())

贷方：comment，通过 sacuL

df['Counts'] = df.Color.groupby(df.Color).transform('count')
您可以对任何系列执行此操作：将其单独分组并调用transform('count')：

>>> series = pd.Series(['Red', 'Red', 'Blue'])
>>> series.groupby(series).transform('count')
0    2
1    2
2    1
dtype: int64

我最初的想法是使用列表解析，如下所示，但正如评论中指出的，这比groupby和transform方法要慢。我将把这个答案留给演示不应该做什么：

In [94]: df = pd.DataFrame({'Color': 'Red Red Blue'.split(), 'Value': [100, 150, 50]})
In [95]: df['Counts'] = [sum(df['Color'] == df['Color'][i]) for i in xrange(len(df))]
In [96]: df
Out[100]: 
  Color  Value  Counts
0   Red    100       2
1   Red    150       2
2  Blue     50       1

[3 rows x 3 columns]

@unutbu的方法对于具有多个列的DataFrames来说变得复杂，这使得编写代码变得简单。如果您正在处理一个小 Dataframe ，这会更快（见下文），但否则，您应该使用而不是use this。

In [97]: %timeit df = pd.DataFrame({'Color': 'Red Red Blue'.split(), 'Value': [100, 150, 50]}); df['Counts'] = df.groupby(['Color']).transform('count')
100 loops, best of 3: 2.87 ms per loop
In [98]: %timeit df = pd.DataFrame({'Color': 'Red Red Blue'.split(), 'Value': [100, 150, 50]}); df['Counts'] = [sum(df['Color'] == df['Color'][i]) for i in xrange(len(df))]
1000 loops, best of 3: 1.03 ms per loop

创建一个包含重复值计数的列。这些值是从其他列计算出来的临时计算。非常快。归功于@ZakS。

sum_A_B = df['A']+df['B']
sum_A_B_dict = sum_A_B.value_counts().to_dict()
df['sum_A_B'] = sum_A_B.map(sum_A_B_dict)

虽然已经有很多伟大的答案在这里，我个人认为使用：
（给定 Dataframe = df）

df['new_value_col'] = df.groupby('colname_to_count')['colname_to_count'].transform('count')

是最好和最直接的选择之一。。我想提供另一种方法，我已经成功地使用。

import pandas as pd
import numpy as np

df['new_value_col'] = df.apply(lambda row: np.sum(df['col_to_count'] == row['col_to_count'], axis=1)

这里我们实际上是把要计数的列转换为lambda表达式中的一个序列，然后使用np.sum来计数序列中每个值的出现次数。
认为这可能是有用的，从来没有坏有多个选择！

使用nunique命令沿着dropna来减少NaN值。也在谷歌协作中测试了这个。

df = pd.DataFrame({'Color': ['Red', 'Red', 'Blue'], 'Value': [100, 150, 50]})
    total_counts = df.groupby('Color')['Value'].nunique(dropna=True)
    df['Counts'] = df['Color'].transform(lambda x: total_counts[x])
    print(df)

有关nuniqueRead this blog.输出的更多了解：