Подсчет одинаковых значений в нескольких столбцах в строке

Поскольку DataFrames ориентированы на столбцы, вам потребуется изменить форму данных, чтобы получить правильное количество значений для каждой строки.

Кроме того, ожидаемый результат больше похож на отчет, а не на конкретный DataFrame, поэтому мы разобьем этот вопрос на две части:

1. value_counts в каждой строке
2. отображение отчета об этих подсчетах

from io import StringIO

buffer = StringIO('''
Emp Number 01-Jul 02-Jul 03-Jul 04-Jul 05-Jul 06-Jul 07-Jul 08-Jul 09-Jul
0       C1    WFH    WFH    WFH    WFH    WFH    WOH    WOH    WFH    WFH
1       C2    WFH    WFH    WFH    WFH    WFH    WOH    WOH    WFH    WFH
2       C3    WFH    WFH    WFH    WFH    WOH    WOH    WOH    WFH    WFH
3       C4    WFH    WFH    WFH    WFH    WOH    WOH    WOH    WFH    WFH
4       C5    WFH    WFH    WOH    WOH    WFH    WOH    WOH    WFH    WFH
''')

import pandas as pd

df = pd.read_table(buffer, sep=r'\s+')

# ① Aggregate data
counts = (
    df.set_index(['Emp', 'Number'])
    .T
    .apply(lambda s: s.value_counts())
    .T
)

print(counts)
#             WFH  WOH
# Emp Number
# 0   C1        7    2
# 1   C2        7    2
# 2   C3        6    3
# 3   C4        6    3
# 4   C5        5    4

# ② Generate report
for row in counts.itertuples():
    print(f'{row.Index[1]}  WFH {row.WFH}, WOH {row.WOH}')
# C1  WFH 7, WOH 2
# C2  WFH 7, WOH 2
# C3  WFH 6, WOH 3
# C4  WFH 6, WOH 3
# C5  WFH 5, WOH 4

Для этого вы можете использовать .melt() и .groupby() с .size(). Он более прост и эффективно использует функциональные возможности pandas для изменения формы и подсчета данных.

Код:

# Reshape the DataFrame
df_melted = df.melt(id_vars=["Emp", "Number"], var_name = "Date", value_name = "Status")

# Group by 'Emp', 'Number' and 'Status', then count
result = df_melted.groupby(['Emp', 'Number', 'Status']).size().unstack(fill_value=0)

Выход:

for emp_number, row in result.iterrows():
    status_counts = ', '.join(f'{status} {count}' for status, count in row.items())
    print(f'{emp_number}  {status_counts}')

>     C1  WFH 7, WOH 2
>     C2  WFH 7, WOH 2
>     C3  WFH 6, WOH 3
>     C4  WFH 6, WOH 3
>     C5  WFH 5, WOH 4

Еще один способ с помощью agg. Я думаю, это должно быть быстрее, чем apply

out = df.set_index(["Emp", "Number"]).agg(pd.Series.value_counts, axis=1).reset_index()
print(out)

   Emp Number  WFH  WOH
0    0     C1    7    2
1    1     C2    7    2
2    2     C3    6    3
3    3     C4    6    3
4    4     C5    5    4