本文介绍三种简洁高效的pandas方法，将问卷类yes/no分类数据按题目维度统计响应频次，并输出为“响应类型×题目”的标准宽格式汇总表，适用于报告生成与可视化前置处理。

在处理结构化问卷数据时，常需将原始的长形响应记录（每行一个客户、每列一个问题）转化为按响应类别（如 Yes/No）横向汇总的统计表。这种宽格式结果便于快速比较各题倾向性，也更适合作为图表输入或嵌入业务看板。

以下提供三种推荐方案，兼顾简洁性、通用性与可读性：

✅ 方法一：布尔求和法（最简，仅适用于二元分类）

适用于严格只有 'Yes' 和 'No' 的场景，性能最优：

import pandas as pd

# 假设 df 为原始数据框
questions = df.filter(like='Question')  # 提取所有 Question_* 列
yes_counts = questions.eq('Yes').sum()  # 每列中 'Yes' 的数量（自动转布尔后求和）
no_counts = len(df) - yes_counts        # 推导 'No' 数量

result = pd.DataFrame({'Yes': yes_counts, 'No': no_counts}).T
result.index.name = 'Response'

✅ 优势：代码极简、执行快；❌ 局限：仅支持明确二值，无法扩展至多类（如 'Yes'/'No'/'Maybe'）。

✅ 方法二：melt + value_counts（通用稳健）

无需预设类别，自动识别全部唯一值，推荐作为默认选择：

melted = df.filter(like='Question').melt(var_name='Question', value_name='Response')
result = (melted.value_counts(['Response', 'Question'])
          .unstack('Question', fill_value=0)
          .rename_axis(index=None, columns=None))

此方法先将问题列“熔解”为两列（Question, Response），再对组合频次计数，最后透视为宽表。自动覆盖所有响应值（包括意外空值或新增选项），且 fill_value=0 确保缺失组合补零。

✅ 方法三：crosstab（语义清晰，专为交叉表设计）

语义最直观，适合强调“响应 × 题目”关系的场景：

stacked = df.filter(like='Question').stack()  # 转为 Series，索引含 (client_id, question)
result = pd.crosstab(stacked, stacked.index.get_level_values(1))
result.index.name = 'Response'
result.columns.name = None

? 注意事项与最佳实践

• 列筛选安全：使用 df.filter(like='Question') 比硬编码列名更健壮，避免因列顺序变动或新增字段导致错误；
• 索引对齐：所有方法均保持题目列为列名、响应类型为行索引，与目标格式完全一致；
• 空值处理：melt 和 crosstab 默认忽略 NaN；若需统计空值，可在 melt() 中加 ignore_index=False 并提前用 fillna() 处理；
• 扩展性提示：如需添加百分比列，可在 result 后追加 result.div(result.sum(axis=0), axis=1).mul(100).ro

  

  und(1)。

无论选择哪种方式，最终均可直接导出为 Excel 或传入 Seaborn/Matplotlib 进行热力图、堆叠柱状图等可视化，真正实现从原始数据到决策就绪报表的一站式转换。