Pandas实现(pivot_table函数)数据透视表方式
作者：呀～吼
pandas的pivot_table()函数非常强大,主要用于创建数据透视表,重要参数包括index、values、columns和aggfunc,index用于设置行索引,类似于SQL中的group by,values用于进行聚合计算的数据选择,columns参数可设置列层次,非必须
Pandas (pivot_table函数)数据透视表
使用pandas中的pivot_table()实现数据透视表。
语法格式如下：
pd.pivot_table(data,values=None,index=None, columns=None,aggfunc='mean',fill_value=None,margins=False,dropna=True, margins_name='All')
pd.pivot_table()有四个最重要的参数index、values、columns、aggfunc。
四个最重要参数解析
index：
- 相当于SQL里的group by用于分组的字段，相当于行索引。
- index也是层次字段，要通过透视表获取什么信息就按照相应的顺序设置字段。
pd.pivot_table(data,index=['列名1','列名2'])
values：
- 相当于SQL里对列进行聚合计算
- 对需要的计算数据进行筛选
pd.pivot_table(data,index=['列名1','列名2'],values=['计算列名1','计算列名2','计算列名3'])
columns：
- columns类似index可以设置列层次字段
- 它不是一个必要参数，作为一种分割数据的可选方式
pd.pivot_table(data,index=['列名1','列名2'], values=['计算列名1','计算列名2','计算列名3'],columns=['列名3'])
aggfunc：
- aggfunc参数可以设置对数据聚合时进行的函数操作。
- 对于aggfunc参数，操作的是values后面的值，而不是columns后面的值。
- 分别对values参数中的每一列都进行求和与求平均值。
pd.pivot_table(data,index=['列名1','列名2'], values=['计算列名1','计算列名2','计算列名3'],aggfunc=[np.sum,np.mean])
fill_value：当数据为空时，填充的指定值。fill_value=0
注意：
- aggfunc也可以使用dict类型，这样可以指定values中每一列的聚合函数。
- 如果dict中的内容与values不匹配时，以dict中为准。
table=pd.pivot_table(data,index=['列名1','列名2'],columns=['列名3'],
values=['计算列名1','计算列名2','计算列名3'],
aggfunc={'计算列名1':np.mean,'计算列名2':[min, max, np.mean]},fill_value=0)结果就是’计算列名2’求min,max和mean,'计算列名1’求mean,而’计算列名3’没有显示。
总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。