直接用 dict 手动计数易出错，因需手动处理键存在性、拼写错误及可变默认参数问题，而 Counter 重写 missing 默认返回 0，支持安全累加、高效 O(n) 统计、内置运算与高频查询。
为什么直接用 dict 手动计数容易出错
很多人第一反应是遍历列表，对每个元素手动在 dict 里做 if key in d: d[key] += 1 else: d[key] = 1。这逻辑没错，但容易漏掉初始化、拼错键名，或在嵌套结构里误用可变默认参数。更关键的是——它不处理缺失键的异常场景，比如用 d[key] += 1 前没检查是否存在，会直接抛 KeyError。
而 Counter 本质是 dict 的子类，但重写了 __missing__ 方法，默认返回 0，所有累加操作天然安全。
-
Counter()构造时接受任意可迭代对象，包括字符串（按字符计）、元组、甚至生成器 - 支持直接相加：
c1 + c2，也支持减法和取交集/并集（&/|） - 调用
most_common(n)可快速拿到前n高频项，返回list[tuple]，不是字典，注意类型
Counter 和 dict.fromkeys + list.count 的性能差距在哪
list.count(x) 对每个唯一元素都扫一遍原列表，时间复杂度是 O(n × k)，k 是去重后元素个数；而 Counter 只遍历一次，O(n)。当列表有 10 万个元素、重复率高时，后者快 5–10 倍是常态。
另外，dict.fromkeys(items, 0) 只能设初值，不能自动累加，仍需二次遍历更新，没省事。
立即学习“Python免费学习笔记（深入）”；
- 别用
[x for x in set(lst) if lst.count(x) > 1]查重复项——这是反模式，既慢又无法统计频次 - 如果只需要判断某个元素是否出现 ≥2 次，用
Counter(lst)[target] >= 2比反复count更稳 -
Counter内部用 C 实现了大部分逻辑，比纯 Python 循环快
遇到不可哈希元素（如字典、列表）怎么办
Counter 要求元素可哈希，否则构造时直接报 TypeError: unhashable type。比如 Counter([{'a': 1}, {'a': 1}]) 就不行。
解决思路不是硬转字符串（会丢失语义、且 {'a':1, 'b':2} 和 {'b':2, 'a':1} 字符串不同但逻辑等价），而是先标准化再计数：
- 对字典：用
json.dumps(d, sort_keys=True)转成确定性字符串 - 对列表：若元素顺序无关，先
tuple(sorted(lst))；若有关，直接tuple(lst) - 更健壮的做法是封装一个函数，统一处理嵌套结构，避免全局替换
list或dict
注意：这种转换本身有开销，仅在必须统计时才做，别当成默认流程。
从 Counter 输出结果到实际业务的常见断点
很多人卡在“得到了 Counter 对象，然后呢？”。它不像 dict 那样直接 JSON 序列化（因为是子类，某些旧版 json.dumps 会报错），也不直接支持 pandas Series 构造（虽然新版 pandas 支持，但老版本需转 dict）。
- 转标准字典：显式调用
dict(counter_obj)，别依赖隐式转换 - 写入 JSON：先
dict(counter_obj)，或自定义json.JSONEncoder子类 - 给 pandas：
pd.Series(counter_obj)可行，但索引是元素值，值是频次；若要 DataFrame，用pd.DataFrame(list(counter_obj.items()), columns=['element', 'count']) -
Counter的.elements()方法返回迭代器，不是列表，需要list(c.elements())才能展开，别直接 print
最常被忽略的是：Counter 对空输入（如空列表）返回空实例，但 most_common(1) 会返回空列表，不是 None，业务代码里别用 if counter.most_common(1): 判非空——应该用 if counter:。
