value_counts()默认不统计NaN是设计行为，因dropna=True为默认参数；需显式设置dropna=False才包含NaN计数，且仅对Series有效。
value_counts() 为什么默认不统计 NaN？
value_counts() 默认会自动丢弃 NaN，这不是 bug，是设计行为。如果你发现结果里没看到空值频次，别急着怀疑数据——先确认是否用了 dropna=False 参数。
- 想包含空值：必须显式传
dropna=False - 对
Series直接调用才有效；DataFrame没这个方法，得先选列（如df["col"].value_counts()） - 返回的是
Series，索引是原列的唯一值，值是对应频次，不是字典也不是列表
排序和归一化怎么控制？
默认按频次降序排，但容易忽略两个关键参数：sort 和 normalize。
-
sort=False时，结果按原始数据中首次出现顺序排列（不是字母/数值序），适合保留业务顺序 -
normalize=True返回比例而非计数，注意结果是 float 类型，且总和为 1.0（除非有NaN且dropna=True） - 组合使用示例：
s.value_counts(sort=False, normalize=True, dropna=False)
遇到“TypeError: unhashable type”怎么办？
这个错误通常出现在列里有 list、dict、set 等不可哈希类型时。value_counts() 内部依赖哈希表去重计数，而 list 不可哈希。
- 检查报错列：用
s.apply(type).unique()看类型分布 - 临时方案：转成字符串再统计（
s.astype(str).value_counts()），但要注意[1,2]和[1, 2]可能被当成不同值 - 根本解法：提前标准化数据结构，比如把 list 转 tuple（如果元素本身可哈希）
大数据量下性能卡顿，有没有更快替代？
当列长度超百万级，value_counts() 可能比纯 Python 的 collections.Counter 慢，尤其开了 normalize 或 dropna=False。
立即学习“Python免费学习笔记（深入）”；
- 纯计数场景（不要比例、不关心 NaN）：
Counter(s.dropna())通常快 2–3 倍 - 要保留 pandas 输出格式？用
pd.Series(Counter(s.dropna()))补一层封装 - 注意：
Counter不处理NaN，也不支持sort参数，得自己调.most_common()
真正卡住的时候，往往不是方法选错，而是忘了先做 s = s.dropna().astype(str) 这类预处理——类型混乱比数据量更伤性能。
