value_counts()默认dropna=True、sort=True、normalize=False，导致缺失值被忽略、结果强制降序、返回整数频次；需按需设dropna=False、sort=False、normalize=True，并注意字符串清洗、TopN用head()、category类型补全等细节。
直接用 value_counts() 就行，但默认行为常踩坑：它自动排序、丢空值、不归一化——得根据场景手动关/开。
为什么 value_counts() 默认结果和你想要的“频次表”对不上
常见现象：数据里明明有 None 或 np.nan，但结果里没出现；或者你只想看前 5 个高频值，结果返回了全部还按降序排好了，打乱你后续逻辑顺序。
-
dropna=True（默认）：自动过滤掉所有NaN、None、pd.NaT—— 如果要统计缺失值占比，必须设为False -
sort=True（默认）：结果按频次降序排列 —— 若需保持原始出现顺序（比如按时间戳首次出现顺序），得加sort=False -
normalize=False（默认）：返回整数计数 —— 要百分比就设normalize=True，结果是float64类型
处理字符串列时，大小写和空格经常让频次虚高
比如列里有 "Apple"、"apple "、"APPLE"，value_counts() 会当成三个不同值。别急着调用，先清洗：
python全能编程助手
下载
SkillSub Pro - Python 题解与代码注释双功能技能功能概述SkillSub Pro - Python 题解与代码注释双功能技能是一项面向实际任务的技能，主要用于SkillSub Pro 是一个 Python 题解生成与代码注释的 双功能合体技能 ，专为学生、算法学习者和开发者设计；✅ 一个技能，两种用途 ：；核心要点📝 题解模式 ：输入题目/题号，自动生成完整 Python 题解（含详细注释、解题思路、复杂度分析）；💬 注释模式 ：输入 Python 代码，自动添加详细中。它将相关步骤、
- 统一小写：
df["col"].str.lower().value_counts() - 去首尾空格：
df["col"].str.strip().value_counts() - 大小写 + 空格一起处理：
df["col"].str.strip().str.lower().value_counts() - 注意：如果列里有
NaN，str方法会返回NaN，此时再调value_counts()仍受dropna控制
想限制返回条数或只取特定值？别用切片，用参数更稳
有人写 df["col"].value_counts()[:10]，看似没问题，但若原始列只有 3 个唯一值，就会报错索引越界；而且切片后丢失了 name 和 dtype 信息。
立即学习“Python免费学习笔记（深入）”；
- 安全取 Top N：
df["col"].value_counts().head(10)——head()对空 Series 返回空 Series，不报错 - 只统计指定值（比如只看 ["A", "B", "C"] 出现几次）：
df["col"].isin(["A","B","C"]).value_counts()，结果是布尔频次；更直接的是df["col"].value_counts().reindex(["A","B","C"], fill_value=0) - 性能提示：对超大 DataFrame（千万级行），
value_counts(sort=False)比默认略快，因省去排序开销
最易被忽略的一点：当列是 category 类型时，value_counts() 默认只统计“实际出现的类别”，不会补全未出现但已定义的 category —— 要补全得显式传 dropna=False 并配合 reindex，否则频次总和会小于行数。
