value_counts()仅适用于Series，多列组合频次需先groupby再调用；normalize=True按每组内部归一化，非全局；dropna=False需在groupby中设置才保留含NaN分组。
value_counts() 默认只算单列，多组频率得用 groupby + value_counts
直接对 DataFrame 调用 value_counts() 会报错或返回意外结果——它只接受 Series。想按「多列组合」统计频次（比如按 region 和 category 一起分组计数），必须先 groupby，再链式调用 value_counts()。
-
df.groupby(['region', 'category']).size()是等效写法，但不排序，也不自动归一化 -
df.groupby(['region', 'category'])['status'].value_counts()可指定目标列，适合带筛选的场景 - 默认返回的是 MultiIndex Series，索引是分组键+原列值；加
sort=False可禁用自动降序排列 - 若需转成普通 DataFrame，跟
reset_index(name='count')就行，name参数指定新列名，别漏掉
normalize=True 会按「每组内部」归一化，不是全局比例
很多人以为 normalize=True 是把所有频次除以总行数，实际它是按每个分组单独算比例。比如 A 组有 10 行、其中 'X' 出现 4 次，那 A 组里 'X' 的归一化值就是 0.4；B 组有 20 行、'X' 出现 2 次，对应就是 0.1 —— 两者不可直接跨组比较“占比高低”。
- 要全局归一化：先算总频次
df['col'].value_counts()，再手动除以len(df) - 如果用了
groupby().value_counts(normalize=True)，结果类型是float64，不是整数，注意后续计算类型匹配 - 配合
dropna=False才能包含 NaN 的统计，否则 NaN 被静默丢弃
dropna=False 不起作用？检查是否在 groupby 前就丢了 NaN
value_counts(dropna=False) 确实能统计 NaN，但它只管目标列本身。如果分组列（比如 groupby(['a', 'b'])）里有 NaN，pandas 默认会直接跳过整行——根本进不到 value_counts 这一步。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 验证方法：运行
df[['a', 'b']].isna().any(axis=1).sum()，看分组列是否有空值 - 保留含 NaN 的分组：用
groupby(..., dropna=False)（pandas ≥ 1.1.0），不是value_counts的参数 - 旧版 pandas（dropna 参数，得先
fillna()占位，比如填字符串'，但要注意别和真实数据冲突'
性能差？避免在大表上反复调 groupby + value_counts
对千万级 DataFrame 频繁做 groupby().value_counts() 很慢，因为每次都会重建分组哈希表。如果只是想查几个固定组合的频次，用布尔索引 + value_counts() 更快。
- 例如查
region=='North'且category=='A'的status分布：df.query("region == 'North' and category == 'A'")['status'].value_counts() -
groupby().value_counts(sort=False)比默认排序快一点，尤其结果量大时 - 内存敏感场景下，加
ascending=True不会提速，反而可能因排序增加开销
实际用的时候，最常卡住的不是语法，而是搞不清 dropna 到底在哪一层生效、以及 normalize 的作用域范围——这两处不画个草图对照数据，很容易对着结果发懵。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
