在Python中，我们可以使用pandas库中的agg函数和numpy库中的histogram函数来计算频率。

首先，让我们导入所需的库：

import pandas as pd
import numpy as np

接下来，我们将创建一个数据集，并使用agg函数计算频率：

# 创建一个数据集
data = {'Age': [25, 30, 35, 40, 45, 50, 55, 60, 65]}
df = pd.DataFrame(data)
# 使用agg函数计算频率
age_counts = df['Age'].agg('count')
print(age_counts)

在这个例子中，我们首先创建了一个包含年龄的数据集。然后，我们使用agg函数计算每个年龄的频率。最后，我们打印出结果。

除了使用agg函数外，我们还可以使用numpy库中的histogram函数来计算频率：

# 计算频率的另一个方法：使用numpy的histogram函数
age_bins = np.arange(20, 71, 5)  # 定义年龄的bin边界
age_counts, _ = np.histogram(df['Age'], bins=age_bins)
print(age_counts)

在这个例子中，我们首先定义了年龄的bin边界。然后，我们使用numpy的histogram函数计算每个bin中的元素数量。最后，我们打印出结果。

需要注意的是，使用agg函数和histogram函数计算频率的方法略有不同。在agg函数中，我们直接对列进行操作并返回一个Series对象。而在histogram函数中，我们需要指定bin边界并返回一个元组，其中第一个元素是每个bin中的元素数量，第二个元素是bin边界。

另外，在实际应用中，我们还需要考虑数据的缺失值和异常值对频率计算的影响。对于缺失值和异常值，我们可以使用pandas库中的dropna函数和isnull函数进行处理。例如：
```python

处理缺失值和异常值

df = df.dropna() # 删除包含缺失值的行
df = df[df[‘Age’].isnull()] # 删除年龄为NaN的行或列