下面总结了您希望在 DataFrame（或 Series，为了完整起见）中计算某些内容的不同情况，以及推荐的方法。
DataFrame.count 将每列的计数作为一个系列返回，因为非空计数因列而异。
DataFrameGroupBy.size 返回一个系列，因为同一组中的所有列共享相同的行数。
DataFrameGroupBy.count 返回一个 DataFrame，因为同一组中的列之间的非空计数可能不同。
要获取特定列的分组非空计数，请使用 df.groupby(...)['x'].count() 其中“x”是要计数的列。
#代码示例
df = pd.DataFrame({
'A': list('aabbc'), 'B': ['x', 'x', np.nan, 'x', np.nan]})
s = df['B'].copy()
df
A B
0 a x
1 a x
2 b NaN
3 b x
4 c NaN
s
0 x
1 x
2 NaN
3 x
4 NaN
Name: B, dtype: object
Row Count of a DataFrame: len(df), df.shape[0], or len(df.index)
len(df)
# 5
df.shape[0]
# 5
len(df.index)
# 5
在上述三种方法中，len(df.index)（如其他答案中所述）是最快的。
注意
上述所有方法都是常数时间操作，因为它们是简单的属性查找。
df.shape（类似于ndarray.shape）是一个返回（#Rows,#Cols）元组的属性。
DataFrame的列数：df.shape[1], len(df.columns)
df.shape[1]
# 2
len(df.columns)
# 2
类似于 len(df.index)，len(df.columns) 是这两种方法中速度更快的方法（但需要输入更多字符）。
系列的行数：
len(s), s.size, len(s.index)
len(s)
# 5
s.size
# 5
len(s.index)
# 5
s.size 和 len(s.index) 在速度方面大致相同。但我推荐 len(df)。
size 是一个属性，它返回元素的数量（=任何系列的行数）。 DataFrames 还定义了一个 size 属性，它返回与
相同的结果
df.shape[0] * df.shape[1].
非空行数：DataFrame.count 和 Series.count
这里描述的方法只计算非空值（意味着 NaN 被忽略）。
调用 DataFrame.count 将为每一列返回非 NaN 计数：
df.count()
A 5
B 3
dtype: int64
For Series, use Series.count to similar effect:
s.count()
# 3
分组行数：GroupBy.size
对于 DataFrames，使用 DataFrameGroupBy.size 来计算每组的行数。
df.groupby('A').size()
A
a 2
b 2
c 1
dtype: int64
同样，对于 Series，您将使用 SeriesGroupBy.size。
s.groupby(df.A).size()
A
a 2
b 2
c 1
Name: B, dtype: int64
在这两种情况下，都会返回一个系列。
分组非空行数：GroupBy.count
与上面类似，但使用 GroupBy.count，而不是 GroupBy.size。请注意，size 总是返回一个 Series，而 count 如果在特定列上调用则返回一个 Series，否则返回一个 DataFrame。
以下方法返回相同的东西：
df.groupby('A')['B'].size()
df.groupby('A').size()
A
a 2
b 2
c 1
Name: B, dtype: int64
df.groupby('A').count()
B
A
a 2
b 1
c 0
df.groupby('A')['B'].count()
A
a 2
b 1
c 0
Name: B, dtype: int64