企业官网建设流程全解析

1. 这不是统计课作业，而是建模实战中真正要用的频数分析

你打开MATLAB准备跑模型，数据导入后第一件事该做什么？不是直接上回归、不是急着画热力图，而是——看频数。很多人跳过这步，结果发现训练集里某类样本只占0.3%，测试集却高达12%，模型一上线就崩；也有人用Excel手动计数，导出表格再复制粘贴进MATLAB，三分钟操作硬生生拖成半小时，还漏掉两个异常值。频数分析从来不是“数个数”那么简单，它是建模前的安检门：检查数据分布是否合理、类别是否失衡、离散变量取值是否完整、连续变量分段是否科学。我带过二十多个校企联合建模项目，几乎每个失败案例回溯时，都能在频数分析环节找到伏笔——比如某次电力负荷预测项目，原始数据中“设备状态”字段标为“运行/停机/检修”，但频数统计显示“检修”仅出现7次，而实际现场记录里这个状态占比应超15%，最后查实是数据采集系统漏传了大量检修日志。本文不讲教科书定义，只拆解真实建模场景中频数分析的四个刚性需求：快速验证数据完整性、识别隐性类别偏移、支撑后续分箱与编码决策、生成可交付的分析报告。所有代码均适配MATLAB R2018b及以上版本和Python 3.8+（pandas 1.4+），附带实测对比：同一份12万行销售数据，MATLAB原生函数比Python pandas.value_counts()快2.3倍，但Python在多维度交叉频数上语法更简洁。如果你正在处理问卷数据、设备日志、用户行为序列或任何含离散字段的结构化数据，这篇就是为你写的——它不教你“什么是频数”，而是告诉你“为什么这个频数结果会让你立刻修改数据清洗方案”。

2. 频数分析的本质：从数据表征到建模决策的桥梁

2.1 为什么不能只用table()或value_counts()？——频数背后的三重陷阱

新手常犯的第一个错误，是把频数分析等同于“数个数”。在MATLAB里敲tabulate(x)，Python里写df['col'].value_counts()，看似一步到位，实则埋下三个致命隐患：

第一重陷阱：缺失值被静默吞掉。MATLAB的tabulate()默认忽略NaN，Python的value_counts()默认dropna=True。这意味着当你统计“用户年龄段”时，如果原始数据有12%的缺失值，输出结果里根本不会出现“缺失”这一行，你误以为数据完整，实则丢失了关键信息。我在某银行风控项目中就吃过亏：客户职业字段缺失率18.7%，但tabulate()输出的职业列表里完全没提这事，团队据此设计的特征编码方案直接失效。

第二重陷阱：排序逻辑反直觉。MATLABtabulate()按字母序排列字符型变量，数值型则按数值大小排；Pythonvalue_counts()默认按频数降序。这导致同一份数据，在两个平台输出的顺序完全不同。更麻烦的是，当你要做分箱（如将收入分为“低/中/高”三档）时，如果依赖默认排序，MATLAB可能把“高收入”排在第一行，Python排在最后一行，后续写if-else映射时极易出错。我见过最典型的事故：某电商AB测试分析中，因MATLAB输出的“购买行为”频数表按字母序排为“未购买/购买”，而Python脚本按频数排为“购买/未购买”，导致转化率计算颠倒，结论完全相反。

第三重陷阱：无法处理多维关联。单变量频数只是起点。真实建模中，你需要知道“不同年龄段用户的支付方式偏好是否一致？”——这需要二维交叉频数。MATLAB原生函数对交叉频数支持薄弱，crosstab()只能处理两个变量且不支持自定义分组；Python的pd.crosstab()虽强大，但当变量超过三个时，输出的MultiIndex表格极难读取。去年帮一家医疗AI公司做患者分群，他们需要统计“性别×病程阶段×用药方案”的三维频数，用crosstab()生成的表格连资深算法工程师都得花十分钟才能定位到“女性/晚期/靶向药”组合的数值。

提示：真正的频数分析必须同时满足三个条件——显式呈现缺失值、支持任意排序规则、能无缝衔接后续建模步骤（如WOE编码、卡方检验）。否则，它只是个好看的数字罗列，不是建模决策依据。

2.2 频数分析在建模流水线中的真实位置

很多人把频数分析塞在“数据探索”阶段末尾，这是认知偏差。它实际贯穿建模全流程：

• 数据接入阶段：验证ETL过程是否引入偏差。例如，数据库导出时若用SELECT * FROM table LIMIT 10000随机采样，频数分布必然失真。正确做法是先对关键字段（如用户地域）做全量频数统计，与业务方提供的基准分布对比。

• 特征工程阶段：决定离散化策略。连续变量如“订单金额”，频数直方图若显示明显双峰（如大量小额订单+少量大额订单），强行等宽分箱会破坏业务含义；此时应采用基于频数的分位数分箱（quantile-based binning）。

• 模型诊断阶段：解释模型偏差。XGBoost预测结果在“学生群体”上准确率骤降？查看该群体在训练集中的频数占比——若仅占0.8%，模型根本学不到有效模式，需针对性过采样而非调参。

我经手的一个工业质检项目最具说服力：产线传感器数据中，“故障类型”字段理论上应有7类，但频数统计发现第5类（“轴承过热”）在近三个月数据中频次为0。起初以为设备升级消除了该故障，直到实地巡检才发现——传感器探头被油污覆盖，持续误报为“正常”，导致真实故障被掩盖。频数分析成了发现硬件缺陷的第一道防线。

2.3 MATLAB与Python的底层差异：不只是语法，更是设计哲学

MATLAB的频数工具链围绕矩阵运算范式构建。histcounts()本质是对数值向量做桶计数，categorical对象则为字符型数据提供内存优化的枚举存储。这种设计在处理百万级数值型数据时效率极高，因为所有操作最终编译为底层C库调用。但代价是灵活性受限——你想给“城市名”频数表加一列“所属经济区”，就得手动merge两个table，没有类似pandas的.assign()链式操作。

Python的pandas则遵循数据流范式。value_counts()返回Series，天然支持.to_frame().reset_index()转为DataFrame，后续可直接.merge()、.pivot_table()。其优势在于组合能力：一行代码就能实现“按省份分组→统计各城市频数→计算省内占比→筛选占比超5%的城市”。但要注意，pandas在纯数值计算上依赖NumPy，当数据量超500万行时，value_counts()的哈希表构建会成为瓶颈，此时MATLAB的histcounts()反而更稳。

注意：不要纠结“哪个更好”，而要根据场景选择。我的经验是——数值型大数据用MATLAB，混合类型小数据用Python，生产环境部署选Python（因运维更熟悉），科研快速验证选MATLAB（因矩阵操作更直观）。

3. 核心细节解析：从单变量到多维频数的完整实现

3.1 单变量频数：超越tabulate()的健壮实现

MATLAB实现：封装缺失值感知的频数表

MATLAB原生tabulate()的缺陷在于缺失值处理不可控。以下函数robust_freq()彻底解决这个问题：

function freq_table = robust_freq(data, varargin) % robust_freq: 健壮单变量频数统计，显式处理缺失值 % 输入: data - 向量或单列table，varargin可选参数： % 'sort' - 排序方式: 'freq' (频数降序), 'value' (值升序), 'none' (保持原始顺序) % 'show_na' - 是否显示缺失值: true/false (默认true) % 输出: freq_table - 包含Value, Count, Percent三列的table p = inputParser; addParameter(p, 'sort', 'freq'); addParameter(p, 'show_na', true); parse(p, varargin{:}); % 处理缺失值标识 if isnumeric(data) || islogical(data) na_flag = isnan(data); elseif ischar(data) || isstring(data) || iscellstr(data) na_flag = cellfun(@isempty, data); % 字符串空值 else na_flag = ismissing(data); end % 分离有效值与缺失值 valid_data = data(~na_flag); na_count = sum(na_flag); % 获取唯一值及频数 [unique_vals, ~, idx] = unique(valid_data, 'stable'); % 'stable'保持首次出现顺序 counts = accumarray(idx, 1); % 构建基础频数表 freq_table = table(unique_vals, counts, 'VariableNames', {'Value','Count'}); freq_table.Percent = round(freq_table.Count / length(data) * 100, 2); % 插入缺失值行（如需） if p.Results.show_na && na_count > 0 na_row = table({'<NA>'}, na_count, round(na_count/length(data)*100,2), ... 'VariableNames', {'Value','Count','Percent'}); freq_table = [na_row; freq_table]; end % 排序 switch p.Results.sort case 'freq' freq_table = sortrows(freq_table, 'Count', 'descend'); case 'value' if isnumeric(unique_vals) || islogical(unique_vals) [~, idx_sort] = sort(unique_vals); freq_table = freq_table(idx_sort, :); else [~, idx_sort] = sort(string(unique_vals)); freq_table = freq_table(idx_sort, :); end end end

关键设计点解析：

• 'stable'参数确保unique()不打乱原始顺序，避免因排序导致的业务逻辑错位；
• 对字符串空值使用cellfun(@isempty, data)而非ismissing()，因MATLAB中空字符串''不被视为missing；
• 缺失值行强制插入首行，并标记为'<NA>'，杜绝静默丢弃；
• 百分比计算基于总样本量（含缺失值），而非有效样本量，符合统计报告规范。

实测对比：对100万行随机整数（含5% NaN），robust_freq()耗时0.18秒，tabulate()为0.15秒，但后者缺失值统计为0——精度损失远大于0.03秒的时间节省。

Python实现：pandas的深度定制

Python中value_counts()的短板在于无法原生支持缺失值标签和灵活排序。以下smart_value_counts()函数补全所有能力：

import pandas as pd import numpy as np def smart_value_counts(series, sort_by='count', show_na=True, na_label='<NA>', normalize=False): """ 健壮版value_counts，支持缺失值显式标注与多维排序 参数: series: pandas Series sort_by: 'count'(频数降序), 'index'(索引升序), 'freq'(保持原始顺序) show_na: 是否包含缺失值行 na_label: 缺失值在结果中的显示标签 normalize: 是否返回比例而非频数 """ # 统计有效值频数 valid_counts = series.value_counts(dropna=True, sort=False) # 处理缺失值 na_count = series.isna().sum() if show_na and na_count > 0: # 将缺失值作为特殊索引加入 valid_counts = valid_counts.copy() valid_counts.loc[na_label] = na_count # 排序逻辑 if sort_by == 'count': valid_counts = valid_counts.sort_values(ascending=False) elif sort_by == 'index': # 对索引排序，注意处理na_label的字符串类型 idx_list = list(valid_counts.index) # 将na_label移到末尾（业务习惯） if na_label in idx_list: idx_list.remove(na_label) idx_list.append(na_label) valid_counts = valid_counts.reindex(idx_list) # 归一化 if normalize: total = len(series) valid_counts = (valid_counts / total * 100).round(2) valid_counts.name = 'Percent' else: valid_counts.name = 'Count' return valid_counts.to_frame() # 使用示例 df = pd.DataFrame({ 'city': ['Beijing', 'Shanghai', 'Beijing', None, 'Guangzhou', 'Shanghai'] }) result = smart_value_counts(df['city'], sort_by='index', show_na=True) print(result)

核心技巧：

• sort=False禁用pandas默认排序，获得原始出现顺序，再按需重排；
• 缺失值用loc[na_label]注入，避免pd.concat()引发的索引混乱；
• reindex()比sort_index()更可靠，尤其当索引含混合类型（字符串+数字）时；
• normalize参数直接返回百分比，省去后续除法运算。

实操心得：在金融风控场景中，我坚持用na_label='UNKNOWN'而非'<NA>'，因为业务方看到UNKNOWN会立即意识到数据质量问题，而<NA>常被误认为技术符号。

3.2 二维交叉频数：解决“分组比较”的刚需

MATLAB实现：crosstab()的增强版

MATLABcrosstab()仅支持两变量，且输出为矩阵而非table。以下enhanced_crosstab()函数返回带行列标签的table，并支持缺失值处理：

function ct_table = enhanced_crosstab(var1, var2, varargin) % enhanced_crosstab: 增强交叉频数表，支持缺失值与标签 % 输入: var1, var2 - 向量，varargin: 'show_na' (true/false), 'labels' (cell数组) % 输出: ct_table - 行为var1取值、列为var2取值的table p = inputParser; addParameter(p, 'show_na', true); addParameter(p, 'labels', {}); parse(p, varargin{:}); % 获取唯一值（含缺失值处理） if p.Results.show_na % 手动合并缺失值 var1_clean = var1; var2_clean = var2; na_mask1 = isnan(var1) | ismissing(var1); na_mask2 = isnan(var2) | ismissing(var2); % 将缺失值替换为特殊标记 if isnumeric(var1) || islogical(var1) var1_clean(na_mask1) = -9999; % 数值型用极值标记 else var1_clean = string(var1_clean); var1_clean(na_mask1) = "<NA>"; end if isnumeric(var2) || islogical(var2) var2_clean(na_mask2) = -9999; else var2_clean = string(var2_clean); var2_clean(na_mask2) = "<NA>"; end else var1_clean = var1(~na_mask1 & ~na_mask2); var2_clean = var2(~na_mask1 & ~na_mask2); end % 生成交叉表 [~, ~, idx1, idx2] = unique(var1_clean, 'stable'); [~, ~, idx3, idx4] = unique(var2_clean, 'stable'); ct_matrix = accumarray([idx1, idx3], 1, [], @sum, 0); % 构建table row_labels = unique(var1_clean, 'stable'); col_labels = unique(var2_clean, 'stable'); ct_table = array2table(ct_matrix, 'RowNames', row_labels, 'VariableNames', col_labels); end

为何不用原生crosstab()？
原生函数对字符串变量会自动排序，且无法控制缺失值显示。此函数通过'stable'保证顺序，并用-9999/"<NA>"显式标记缺失，使结果可直接用于后续卡方检验。

Python实现：pivot_table的终极用法

pandas的crosstab()功能强大，但三维以上分析仍需pivot_table。以下代码展示如何用一行实现“性别×年龄段×是否购买”的频数立方体：

# 假设df含gender, age_group, purchased三列 # 步骤1：生成二维交叉表（性别×年龄段） cross_2d = pd.crosstab(df['gender'], df['age_group'], margins=True) # 步骤2：添加第三维（是否购买）——用pivot_table展开 cross_3d = df.pivot_table( index=['gender', 'age_group'], columns='purchased', aggfunc='size', fill_value=0 ).reset_index() # 步骤3：计算各组合内占比（行方向） cross_3d['total'] = cross_3d[0] + cross_3d[1] cross_3d['purchase_rate'] = (cross_3d[1] / cross_3d['total'] * 100).round(1) print(cross_3d)

关键技巧：

• margins=True在crosstab()中自动添加行/列总计，省去手动求和；
• pivot_table的aggfunc='size'比'count'更高效，因size不检查值是否为空；
• fill_value=0避免NaN干扰后续计算；
• reset_index()将MultiIndex转为普通列，便于SQL式查询（如cross_3d.query('gender=="Male" and purchase_rate>30')）。

注意：当变量取值过多时（如城市名超200个），pivot_table会生成宽表导致内存溢出。此时应改用groupby().size().unstack(fill_value=0)，它对稀疏数据更友好。

3.3 连续变量频数：直方图与分箱的精准控制

MATLAB实现：histcounts()的工业级配置

histcounts()是MATLAB处理连续变量的黄金标准，但默认bin数量常不适用。以下函数adaptive_hist()根据数据分布自动选择bin策略：

function [counts, edges, bin_centers] = adaptive_hist(data, method) % adaptive_hist: 自适应直方图分箱，method可选: % 'sturges' - 经典公式: k=1+log2(n) % 'scott' - 基于标准差: bin_width = 3.5*std/n^(1/3) % 'fd' - Freedman-Diaconis: bin_width = 2*IQR/n^(1/3) % 'auto' - 根据n自动选择（n<30用sturges，30<=n<1000用scott，n>=1000用fd） n = length(data); if nargin < 2 || isempty(method) method = 'auto'; end switch method case 'sturges' k = ceil(1 + log2(n)); [counts, edges] = histcounts(data, k); case 'scott' bin_width = 3.5 * std(data) / n^(1/3); edges = min(data):bin_width:max(data); [counts, edges] = histcounts(data, edges); case 'fd' iqr_val = iqr(data); bin_width = 2 * iqr_val / n^(1/3); edges = min(data):bin_width:max(data); [counts, edges] = histcounts(data, edges); case 'auto' if n < 30 method = 'sturges'; elseif n < 1000 method = 'scott'; else method = 'fd'; end [counts, edges] = adaptive_hist(data, method); end bin_centers = (edges(1:end-1) + edges(2:end)) / 2; end

为什么需要自适应？

• 小样本（n<30）用Sturges公式，避免bin过少丢失细节；
• 中等样本（30≤n<1000）用Scott规则，平衡平滑性与分辨率；
• 大样本（n≥1000）用Freedman-Diaconis，对异常值鲁棒。

实测：某物流时效数据（n=25000），'fd'策略生成87个bin，清晰显示“24h达”和“72h达”双峰；而默认'auto'仅生成32个bin，双峰被抹平。

Python实现：numpy.histogram的生产级封装

pandas的hist()易用但不可控，numpy的histogram()强大但需手动处理。以下函数robust_histogram()整合二者优势：

import numpy as np import pandas as pd def robust_histogram(data, bins='auto', range=None, density=False): """ 生产级直方图，支持多种bins策略与范围控制 bins: 'auto', 'sturges', 'fd', 'scott', 或整数 range: (min, max) 元组，超出范围的数据被截断 density: True返回概率密度，False返回频数 """ # 数据预处理 data = np.asarray(data) if range is not None: data = data[(data >= range[0]) & (data <= range[1])] # bins策略映射 if isinstance(bins, str): if bins == 'sturges': n_bins = int(np.ceil(1 + np.log2(len(data)))) elif bins == 'fd': q1, q3 = np.percentile(data, [25, 75]) iqr = q3 - q1 n_bins = int(np.ceil(2 * iqr / (len(data)**(1/3)))) elif bins == 'scott': n_bins = int(np.ceil(3.5 * np.std(data) / (len(data)**(1/3)))) else: # 'auto' n_bins = 'auto' bins = n_bins # 计算直方图 counts, edges = np.histogram(data, bins=bins, range=range, density=density) # 计算bin中心 bin_centers = (edges[:-1] + edges[1:]) / 2 return counts, edges, bin_centers # 使用示例：对订单金额做分位数分箱（业务常用） amounts = df['order_amount'].dropna() q25, q50, q75 = np.percentile(amounts, [25, 50, 75]) bins = [0, q25, q50, q75, np.inf] counts, edges, centers = robust_histogram(amounts, bins=bins) print(f"分箱区间: {edges}, 频数: {counts}")

业务价值：电商场景中，“订单金额”常呈长尾分布。等宽分箱（如0-100,100-200...）会导致高价值区间样本过少；而分位数分箱（25%/50%/75%）确保每档样本量均衡，后续WOE编码更稳定。

4. 实操过程：一个完整的建模前频数分析工作流

4.1 场景设定：某电商平台用户复购行为分析

我们以真实项目为蓝本：分析2023年Q3用户复购行为。数据集user_behavior.csv含字段：

• user_id: 用户ID（字符串）
• first_order_date: 首单日期（datetime）
• rebuy_flag: 是否复购（0/1）
• region: 所在地区（字符串，含'North','South','East','West','Unknown'）
• device_type: 设备类型（'Mobile','PC','Tablet'）

目标：识别影响复购的关键因素，为精准营销提供依据。

4.2 MATLAB端完整操作流程

步骤1：数据加载与基础检查

% 加载数据 data = readtable('user_behavior.csv'); % 检查缺失值比例 missing_pct = 100 * sum(ismissing(data)) / height(data); fprintf('缺失值比例: %.2f%%\n', missing_pct); % 关键字段频数初筛 disp('--- region频数 ---'); region_freq = robust_freq(data.region, 'sort', 'freq', 'show_na', true); disp(region_freq); disp('--- device_type频数 ---'); device_freq = robust_freq(data.device_type, 'sort', 'freq', 'show_na', true); disp(device_freq);

输出解读：region_freq显示'Unknown'占比12.3%，远超预期（业务方称应<2%），触发数据质量告警；device_freq中'Tablet'仅占0.7%，考虑合并至'Mobile'。

步骤2：交叉分析揭示隐藏模式

% region × rebuy_flag 交叉频数 ct_region_rebuy = enhanced_crosstab(data.region, data.rebuy_flag, ... 'show_na', true, 'labels', {'Region','Rebuy'}); % 计算各地区复购率 rebuy_rate = ct_region_rebuy{:,2} ./ sum(ct_region_rebuy,2); ct_region_rebuy.Rebuy_Rate = round(rebuy_rate * 100, 2); % 按复购率排序 ct_region_rebuy = sortrows(ct_region_rebuy, 'Rebuy_Rate', 'descend'); disp(ct_region_rebuy);

关键发现：'East'地区复购率最高（38.2%），但样本量仅占15%；'Unknown'地区复购率最低（12.1%），且占比12.3%——说明地址信息缺失用户更难转化，需优先修复数据采集。

步骤3：连续变量分箱与业务解读

% 对首单距今天数做分箱（业务要求：新客/活跃客/沉睡客） days_since_first = daysbetween(data.first_order_date, datetime('now')); [~, edges, ~] = adaptive_hist(days_since_first, 'fd'); % 定义业务分箱 bin_labels = {'New (<7d)', 'Active (7-30d)', 'AtRisk (30-90d)', 'Dormant (>90d)'}; bin_edges = [0, 7, 30, 90, inf]; % 分箱并统计 binned_days = discretize(days_since_first, bin_edges, 'categorical', bin_labels); day_freq = robust_freq(binned_days, 'sort', 'none'); % 关联复购率 day_rebuy = table(binned_days, data.rebuy_flag); day_grouped = groupsummary(day_rebuy, 'binned_days', 'mean', 'rebuy_flag'); day_grouped.Properties.VariableNames{2} = 'Rebuy_Rate'; day_grouped.Rebuy_Rate = round(day_grouped.Rebuy_Rate * 100, 2); disp('--- 首单时间分箱复购率 ---'); disp(day_grouped);

决策输出：'Dormant'用户复购率仅4.3%，但占总量28.6%，应启动召回活动；'New'用户复购率22.1%，需强化首单后7天内的促活触达。

4.3 Python端协同分析流程

步骤1：与MATLAB结果对齐的验证

import pandas as pd import numpy as np df = pd.read_csv('user_behavior.csv') df['first_order_date'] = pd.to_datetime(df['first_order_date']) # 验证region缺失值 print("region缺失率:", df['region'].isna().mean()*100) # 生成与MATLAB完全一致的频数表 region_freq_py = smart_value_counts(df['region'], sort_by='count', show_na=True) print("\nregion频数（Python）:") print(region_freq_py)

输出一致性检查：确保'Unknown'行在MATLAB和Python中均显示为第2行，频数绝对值误差<0.01%——这是跨平台协作的基础。

步骤2：高级交叉分析（MATLAB不擅长的场景）

# 计算各地区设备类型的复购率矩阵 pivot_result = df.pivot_table( index='region', columns='device_type', values='rebuy_flag', aggfunc='mean', fill_value=0 ).round(3) * 100 # 添加行/列总计 pivot_result['Total'] = pivot_result.mean(axis=1).round(2) pivot_result.loc['Total'] = pivot_result.mean(axis=0).round(2) print("\n--- 地区×设备类型复购率（%）---") print(pivot_result)

洞察挖掘：'South'地区'PC'用户复购率（41.2%）显著高于其他地区，而'Mobile'用户在'East'地区表现最佳（39.8%）——建议区域化投放PC端广告。

步骤3：自动化报告生成

# 生成HTML报告片段 report_html = f""" <h3>频数分析核心发现</h3> <ul> <li><strong>数据质量</strong>: region字段缺失率12.3%，需修复采集逻辑</li> <li><strong>高价值群体</strong>: East地区复购率38.2%，占总用户15%</li> <li><strong>行动建议</strong>: 对Dormant用户（28.6%）启动召回，目标提升复购率至15%</li> </ul> <p>分析时间: {pd.Timestamp.now().strftime('%Y-%m-%d %H:%M')}</p> """ with open('freq_analysis_report.html', 'w') as f: f.write(report_html)

交付价值：HTML报告可直接嵌入企业BI系统，非技术人员也能理解结论。

5. 常见问题与排查技巧实录

5.1 频数结果“看起来不对”的十大原因与解法

5.2 我踩过的三个深坑与独家避坑技巧

坑1：MATLAB中categorical的内存陷阱
某次处理1000万行用户标签，我用data.label = categorical(data.label)转换，内存瞬间暴涨3倍。后来发现categorical为每个唯一值创建完整字符串副本。解法：对超大文本字段，改用data.label = discretize(double(hash(data.label)), unique_hash)，用哈希值代替原文本。

坑2：Python中pivot_table的索引污染
df.pivot_table(index='A',columns='B')后，A和B自动变为MultiIndex，后续df['A']报错。解法：始终加.reset_index()，或用df.groupby(['A','B']).size().unstack(fill_value=0)替代。

**坑3：频