python统计元素频率最常用collections.counter，它简洁高效且是dict子类，支持自动计数、most_common()、安全访问和算术运算；小数据量可用defaultdict(int)或字典get()/setdefault()；数值型数据推荐numpy的np.unique()或pandas的value_counts()。
Python中统计元素频率最常用的是collections.Counter，它简洁高效，但并非唯一选择。是否用Counter，取决于数据规模、可读性要求和是否需要额外功能。
Counter的基本用法与优势
Counter本质是dict的子类，专为计数设计，支持直接传入可迭代对象（如列表、字符串），自动完成频次统计。
- 初始化简单：
from collections import Counter; c = Counter(['a','b','a','c'])→Counter({'a': 2, 'b': 1, 'c': 1}) - 支持常见操作：
c.most_common(2)返回前2高频项；c['x']访问不存在键时返回0（不会报KeyError） - 可参与算术运算：
c1 + c2、c1 - c2、c1 & c2（交集）、c1 | c2（并集）
纯字典手动统计：适合轻量、可控场景
当只需基础计数且不想引入额外模块时，用普通字典配合get()或setdefault()完全可行。
- 用
get()：freq = {}; for x in data: freq[x] = freq.get(x, 0) + 1 - 用
setdefault()：freq = {}; for x in data: freq.setdefault(x, 0); freq[x] += 1 - 更推荐
defaultdict(int)：from collections import defaultdict; freq = defaultdict(int); for x in data: freq[x] += 1—— 代码清晰，性能接近Counter
NumPy/Pandas场景下的替代方案
处理数值型数组或DataFrame时，内置方法往往更快、更自然。
立即学习“Python免费学习笔记（深入）”；
- NumPy数组：
np.unique(arr, return_counts=True)返回值与频次两个数组，适合科学计算流程 - Pandas Series：
s.value_counts()直接返回排序后的计数结果，支持归一化（normalize=True）、排序控制等 - 注意：这些返回的是
ndarray或Series，不是字典，若后续需字典接口，可转成dict(zip(...))或.to_dict()
性能与选择建议
小数据量（
- 快速脚本/教学示例 → 优先用
Counter，语义最明确 - 已用
defaultdict做其他聚合 → 复用它，避免多引入一个类型 - 在Pandas/Numpy流水线中 → 直接用
value_counts()或unique(..., return_counts=True)，减少数据转换开销 - 内存极度敏感或嵌入式环境 → 手动字典+
get()，零依赖
