本文详解如何在 Pandas 中对指定列（如 ColA）进行分组，并精确统计另一列（如 ColB）中非缺失值（non-null）的数量，确保缺失值（如 NaN）被计为 0，而非被忽略或引发歧义。
本文详解如何在 pandas 中对指定列（如 `cola`）进行分组，并精确统计另一列（如 `colb`）中**非缺失值（non-null）的数量**，确保缺失值（如 `nan`）被计为 0，而非被忽略或引发歧义。
在 Pandas 数据分析中，value_counts() 是快速统计单列频次的常用方法，但它仅作用于目标列本身，不支持跨列条件统计。当需要“按 ColA 分组，并统计每组中 ColB 的有效（非空）记录数”时，直接使用 df.ColA.value_counts() 会遗漏关键逻辑：它完全不感知 ColB 的缺失状态，仅统计 ColA 各取值出现的总行数（含 ColB 为 NaN 的行）。这正是用户示例中 D → 1（实际应为 0）的根本原因。
正确解法是结合 groupby() 与 count() 方法：
result = df.groupby('ColA', as_index=False)['ColB'].count()✅ 关键机制说明：
- df.groupby('ColA') 按 ColA 值划分数据组；
- ['ColB'] 明确选取待统计的列；
- .count() 自动忽略 NaN 值，仅对每组内 ColB 的非空元素计数（这是 Pandas count() 区别于 size() 的核心特性）；
- as_index=False 确保结果为标准 DataFrame（ColA 作为普通列而非索引），便于后续处理。
运行上述代码，将精准输出：
ColA ColB 0 A 2 1 B 2 2 C 1 3 D 0
⚠️ 注意事项：
- ❌ 避免误用 .size()：df.groupby('ColA')['ColB'].size() 会返回每组总行数（含 NaN），导致 D → 1，不符合需求；
- ❌ 避免链式调用 .value_counts()：df.groupby('ColA')['ColB'].value_counts() 返回的是嵌套频次，非分组汇总；
- ✅ 若需同时统计多列非空值，可传入列表：df.groupby('ColA')[['ColB', 'ColC']].count()；
- ✅ 如需包含缺失值占比等衍生指标，可在 .count() 基础上结合 .size() 计算：(grouped.count() / grouped.size()).round(2)。
总结：groupby(...)[col].count() 是实现「分组 + 非空值计数」的标准、高效且语义清晰的模式，应作为 Pandas 数据聚合中的基础技能牢固掌握。
