一堆乱七八糟的数据扔你脸上，比如一份几万行的Excel订单，或者一个服务器上G的访问日志，老板让你半小时内给他个报告：哪个商品卖得最好？哪个地区的下单量最高？哪个IP访问最频繁？你怎么办？头大不？别慌，这事儿，python怎么统计？简直是小菜一碟。

今天不跟你扯那些干巴巴的官方文档，我就以一个过来人的身份，跟你聊聊我是怎么从一个只会用for循环的菜鸟，一步步玩转Python数据统计的。

最初的挣扎：字典和for循环的“体力活”

刚开始，我也是个愣头青。拿到需求，第一反应就是最原始的办法。你可能会想，不就是数个数嘛，我用一个字典，一个for循环，遍历一遍，遇到一个key就在它的value上加一，不就完事了？

思路没错，很朴素，很直接。比如，统计一个列表里每个水果出现的次数：

“`python
fruits = [‘apple’, ‘orange’, ‘apple’, ‘banana’, ‘orange’, ‘apple’]
fruit_counts = {}
for fruit in fruits:
if fruit not in fruit_counts:
fruit_counts[fruit] = 1
else:
fruit_counts[fruit] += 1
print(fruit_counts)

输出: {‘apple’: 3, ‘orange’: 2, ‘banana’: 1}

“`

能跑吗？能。解决问题了吗？解决了。但是，你看着这几行代码，不觉得有点笨拙吗？每次都得写个if-else判断，数据量一大，这循环跑起来，慢得跟老牛拉车似的。这纯粹是体力活，一点都不“Pythonic”。

发现新大陆：collections.Counter，懒人福音

然后，你发现了新大陆——collections模块里的Counter。我跟你讲，这玩意儿简直就是为统计词频、计数这类需求而生的神器。它本身就是个字典的子类，天生就带计数功能。

同样是上面那个水果列表，用Counter怎么搞？

“`python
from collections import Counter

fruits = [‘apple’, ‘orange’, ‘apple’, ‘banana’, ‘orange’, ‘apple’]
fruit_counts = Counter(fruits)
print(fruit_counts)

输出: Counter({‘apple’: 3, ‘orange’: 2, ‘banana’: 1})

“`

看到没？一行代码！一行代码就搞定了！它不仅帮你数好了，还给你一个长得像字典的结果。更爽的是，它还有个.most_common()方法，直接帮你排序。

“`python

找出最常见的两个水果

print(fruit_counts.most_common(2))

输出: [(‘apple’, 3), (‘orange’, 2)]

``
就这？对，就这。简单、高效、优雅。在你只需要对一个列表、一个字符串里的元素做简单频率统计时，Counter`就是你的不二之选，它像一把瑞士军刀，小巧但极其锋利。

终极武器登场：pandas，数据分析界的航母

但如果你要处理的，不只是一个简单的列表呢？如果你面对的是一个结构化的数据表，比如前面说的Excel订单，有商品名、有价格、有地区、有用户ID……这时候，Counter就有点力不从心了。

轮到真正的大家伙出场了——pandas。

pandas，数据分析界的航母，没跑了。你要是搞数据，不认识pandas，那基本等于白干。它把你的Excel、CSV文件直接读成一个叫DataFrame的东西，那感觉，就像把一盘散沙捏成了一块块规整的积木，想怎么拼就怎么拼。

解决“python怎么统计”这个问题，pandas提供了核武器级别的支持。

1. 单列统计？value_counts() 一招鲜

还是那个问题：哪个商品卖得最好？假设你已经用pd.read_excel()把订单表读进了一个叫df的DataFrame里，里面有一列叫'商品名称'。

“`python

假设df是你的DataFrame

… 读取数据的代码 …

统计’商品名称’这一列里每个值出现的次数

product_counts = df[‘商品名称’].value_counts()
print(product_counts)
“`

就这么简单！value_counts()这个方法，一步到位，直接给你返回一个按数量降序排列好的Series（你可以把它看作是带索引的一列数据）。结果清清楚楚，哪个卖得多，哪个卖得少，一目了然。这不比你在Excel里用筛选、用数据透视表快得多？

2. 分组统计？groupby() 王者降临

现在，难度升级。老板问：每个地区的销售总额和平均订单价分别是多少？

这个问题，涉及到两个维度：地区（分组依据）和销售额（计算目标）。这就是pandas的groupby()大显身手的地方。groupby()的精髓，四个字：分组-聚合。

想象一下，你有一堆不同颜色的珠子，groupby('颜色')就像你伸出手，把相同颜色的珠子都归拢到一堆。然后，“聚合”就是你对每一堆珠子进行操作，比如数数（count）、求和（sum）、算平均值（mean）。

“`python

假设df里有’地区’和’订单金额’两列

按’地区’分组，然后计算每个地区的’订单金额’的总和和平均值

regional_stats = df.groupby(‘地区’)[‘订单金额’].agg([‘sum’, ‘mean’])
print(regional_stats)
“`

这行代码的威力，你自己品。它会先按“地区”列（比如华北、华南、华东）把数据分成几大块，然后只针对“订单金额”这一列，分别计算每一块的总和（sum）和平均值（mean）。最后，给你一个非常漂亮的报表，索引是地区，列是总和和平均值。

这就是数据分析的魅力所在，你不再是盯着单个数字，而是在洞察结构和关系。

3. 全局概览？describe() 一览众山小

有时候，你甚至不需要提具体问题，你只是想对数据有个大概的了解。比如，订单金额的平均数、最大值、最小值、中位数是多少？

describe()方法，一键生成所有数值列的描述性统计信息。

python
print(df['订单金额'].describe())

它会给你返回计数（count）、平均值（mean）、标准差（std）、最小值（min）、25%分位数、50%分位数（即中位数）、75%分位数和最大值（max）。瞬间，你对这批订单的消费水平就有了一个立体的认知。

总结一下，但不是终点

所以，python怎么统计？

• 小打小闹，处理个列表，统计个词频，用collections.Counter，又快又好。
• 正规作战，面对表格数据，想做深入分析，别犹豫，直接上pandas。value_counts()解决单列频率，groupby()解决多维分组聚合，describe()给你全局视野。

工具是死的，思路是活的。从for循环到Counter，再到pandas，这不仅仅是代码的进化，更是你数据思维的升级。你不再是一个被动的计数员，而是一个主动的探索者，用Python这把利剑，剖开数据的外壳，去发现里面真正有价值的宝藏。

下次再有人把数据扔你脸上，你就可以微微一笑，打开Jupyter Notebook，开始你的表演。