本文介绍如何使用 Polars 的 unpivot()（或等效的 melt()）配合 value_counts()，高效统计整个 DataFrame 所有数值在全部列中的总频次，并返回结构化结果或字典映射。
本文介绍如何使用 polars 的 `unpivot()`（或等效的 `melt()`）配合 `value_counts()`，高效统计整个 dataframe 所有数值在全部列中的总频次，并返回结构化结果或字典映射。
在 Polars 中，value_counts() 默认作用于单列 Series，无法直接跨列统计。若需获取全表范围内每个值的总出现次数（即“扁平化后计数”），最简洁、高效且符合 Polars 惯用法的方案是：先将宽表转为长表，再对统一的值列执行计数。
✅ 推荐方法：unpivot() + value_counts()
import polars as pl
# 示例数据
df = pl.DataFrame({
"col_1": [1, 2, 3],
"col_2": [2, 3, 7],
"col_3": [1, 1, 9],
})
# 一行完成全局频次统计
counts_df = df.unpivot().get_column("value").value_counts().sort("value")
print(counts_df)输出：
shape: (5, 2) ┌───────┬───────┐ │ value ┆ count │ │ --- ┆ --- │ │ i64 ┆ u32 │ ╞═══════╪═══════╡ │ 1 ┆ 3 │ │ 2 ┆ 2 │ │ 3 ┆ 2 │ │ 7 ┆ 1 │ │ 9 ┆ 1 │ └───────┴───────┘
? 提示：df.unpivot() 与 df.melt() 功能完全等价（后者是别名），二者均将除索引外的所有列“堆叠”为两列：variable（原列名）和 value（单元格值）。我们只需提取 value 列并调用 .value_counts() 即可。
? 转换为字典（按需使用）
如需类似 1: 3, 2: 2, ... 的键值映射，可快速转为 Python 字典：
counts_dict = dict(counts_df.iter_rows())
print(counts_dict) # {1: 3, 2: 2, 3: 2, 7: 1, 9: 1}若希望结果严格按数值升序排列（如题干示例 1:5, 2:0, 3:23...），可在 value_counts() 后显式排序：
counts_df = (
df.unpivot()
.get_column("value")
.value_counts()
.sort("value") # 按 value 升序排列
)⚠️ 注意事项
- 数据类型一致性：unpivot() 要求所有被展开的列具有兼容类型（如全为数值型）。若含字符串、布尔或空值，需提前清洗或统一类型，否则会报错。
- 性能考量：unpivot() 会产生临时长表（行数 = 原行数 × 列数），对超大宽表（如 1000 列 × 10 万行）可能增加内存压力；此时可考虑分批处理或使用 pl.concat() 合并各列 value_counts() 结果（但失去原子性优势）。
- 缺失值处理：默认 value_counts() 会忽略 null；如需包含空值统计，请传入 drop_nulls=False（Polars ≥ 0.20.0）。
✅ 总结
无需手动遍历列或拼接结果——利用 df.unpivot().get_column("value").value_counts() 即可优雅、向量化地实现全 DataFrame 值频次统计。该方法语义清晰、代码简短、性能优异，是 Polars 生态中处理此类需求的标准实践。
