本文介绍两种高效方法：使用 pivot_table 或 value_counts().unstack()，将用户-行为数据转换为“用户×页面”的计数矩阵，并自动填充缺失值为 0。
本文介绍两种高效方法：使用 `pivot_table` 或 `value_counts().unstack()`，将用户-行为数据转换为“用户×页面”的计数矩阵，并自动填充缺失值为 0。
在数据分析中，常需将长格式的用户行为日志（如用户 ID 与页面访问记录）转换为宽格式的交叉频数表，便于后续分析或可视化。例如，给定如下 DataFrame：
import pandas as pd
data = {
"User": ["AA", "AA", "AA", "BB", "BB", "CC", "CC"],
"Action": ["Page1", "Page1", "Page2", "Page2", "Page3", "Page3", "Page3"],
}
df = pd.DataFrame(data)目标是得到每个用户对各页面（Page1/Page2/Page3）的访问次数，缺失组合记为 0，结果形如：
User Page1 Page2 Page3 0 AA 2 1 0 1 BB 0 1 1 2 CC 0 0 2
✅ 推荐方法一：pivot_table（语义清晰、灵活可控）
result = df.pivot_table(
index="User",
columns="Action",
fill_value=0,
aggfunc=len
).reset_index()-
index="User"：以User为行索引； -
columns="Action"：以Action值（如Page1）为列名； -
aggfunc=len：对每组(User, Action)计数（等价于count，但更明确）； -
fill_value=0：自动将未出现的组合（如BB-Page1）补零； -
.reset_index()：将User从索引转为普通列，符合常规 DataFrame 结构。
? 提示：若需支持多级聚合（如同时统计均值、最大值），
pivot_table是唯一选择。
✅ 推荐方法二：value_counts().unstack()（简洁高效）
result = df.value_counts().unstack(fill_value=0).reset_index()
-
df.value_counts()返回MultiIndex Series（索引为(User, Action)，值为频次）； -
.unstack(fill_value=0)将第二级索引（Action）转为列，并用0填充空缺； -
.reset_index()恢复User为普通列。
该写法代码极简，性能优异，适用于纯计数场景。
⚠️ 注意事项
- 列名默认为
Action的唯一值（如'Page1','Page2'），无需手动指定； - 若
Action中存在空值（NaN），pivot_table默认忽略，而value_counts()默认排除NaN—— 如需保留，需提前处理； - 输出列顺序按
Action字典序排列；如需自定义顺序，可在unstack()后用reindex(columns=[...])调整； - 若原始数据含重复索引（如
(AA, Page1)出现多次），两种方法均正确累加计数，无需去重。
✅ 最终验证
print(result) # User Page1 Page2 Page3 # 0 AA 2 1 0 # 1 BB 0 1 1 # 2 CC 0 0 2
两种方法均可直接用于 EDA、特征工程或导出报表。对于初学者，建议优先使用 pivot_table 以增强可读性与可维护性；追求简洁与性能时，value_counts().unstack() 是更优雅的选择。
