你们好,我是丁小杰。
对于数据透视表,相信对于 Excel 比较熟悉的小伙伴都知道如何使用它,并了解它的强大之处,而在pandas
中要实现数据透视就要用到pivot_table
了。python
导入示例数据
首先导入演示的数据集。web
import pandas as pd
df = pd.read_csv('销售目标.csv')
df.head()

参数说明
主要参数:svg
data
:待操做的 DataFramevalues
:被聚合操做的列,可选项index
:行分组键,做为结果 DataFrame 的行索引columns
:列分组键,做为结果 DataFrame 的列索引aggfunc
:聚合函数/函数列表,默认 numpy.mean 这里要注意若是 aggfunc 中存在函数列表,则返回的 DataFrame 中会显示函数名称fill_value
:默认 None,可设定缺省值dropna
:默认 True,若是列的全部值都是 NaN,将被删除;False 则保留margins
:默认 False,设置为 True 能够添加行/列的总计margins_name
:默认显示 ‘ALL’,当margins = True
时,能够设定 margins 行/列的名称
经常使用操做
使用pivot_table
时必需要指定index
,由于计算时要根据index
进行聚合。函数
pd.pivot_table(df.head(20),
index='订单日期',
aggfunc=np.sum)

经过指定value
来选择被聚合的列。学习
pd.pivot_table(df.head(20),
values='销售目标',
index='订单日期',
aggfunc=np.sum)

当只指定index
进行聚合时,其实用groupby
能够实现一样的效果。ui
df.head(20).groupby(['订单日期'])['销售目标'].sum().reset_index()
添加columns
参数,对列分组。spa
pd.pivot_table(df.head(10),
values='销售目标',
index=['订单日期', '类别'],
columns='细分',
aggfunc=np.sum)

对于上面结果中的空值,使用fill_value
参数统一填充为0code
pd.pivot_table(df.head(10),
values='销售目标',
index=['订单日期', '类别'],
columns=['细分'],
aggfunc=np.sum,
fill_value=0)

如今按年份来统计销售数据,注意此时的aggfunc
参数,当参数值包含列表时,在结果DataFrame
中就会显示函数名称。xml
pd.pivot_table(df,
values='销售目标',
index=['年份', '类别'],
columns='细分',
aggfunc=[np.sum])

若是须要添加合计列,只需指定margins=True
便可,同时根据须要指定合计名称。blog
pd.pivot_table(df,
values='销售目标',
index=['年份', '类别'],
columns='细分',
aggfunc=np.sum,
margins=True,
margins_name='合计')

固然与groupby
相似,对于计算函数咱们能够同时指定多种方式。
pd.pivot_table(df,
values='销售目标',
index=['年份', '类别'],
columns=['细分'],
aggfunc={
'销售目标': [max, np.sum]},
fill_value=0)

以上就是pandas
数据透视的经常使用操做了,使用起来也是十分简单,你们能够本身练习一下,若是文章对你有帮助,请点赞支持一下哦!
对于刚入门 Python
或是想要入门 Python
的朋友,能够经过关注公众号“Python新视野”,一块儿交流学习,都是重新手走过来的,有时候一个简单的问题卡好久,但可能别人的一点拨就会恍然大悟,由衷的但愿你们可以共同进步。