| Pandas的pivot | 您所在的位置：网站首页 › 数据透视表可以完成的计算有哪些 › Pandas的pivot |
Pandas的pivot
|
Pandas的pivot_table函数（数据透视表）
index指定单索引指定多索引
valuesaggfunccolumnsfill_value数据透视表过滤转到Excel写入文件
pivot_table() 的特点就是默认显示指定索引列和所有数值列。 索引显示的是唯一值，所以会把对应的数值处理成均值。其他str类型的列都会自动忽略。 当然，使用pivot_table() 时，可以通过添加参数进行计数或求和 示例中账号是int类型，如果是str类型，那么运行结果不会显示[‘账号’]这一列的内容。 import numpy as np import pandas as pd df = pd.DataFrame({ '账号':[714466,714466,714466,737550,146832,218895,218895,412290,740150,141962,163416,239344,239344,307599,688981,729833,729833], '客户名称':['华山派股份有限公司','华山派股份有限公司','华山派股份有限公司','丐帮(北京) 合伙人公司','恶人谷资产管理公司','桃花岛','桃花岛','有间客栈','逍遥子影业','白驼山(上海)影视艺术有限公司','聚贤庄','全真教药业','全真教药业','天地会快递','福寿堂','快手三教育培训有限公司','快手三教育培训有限公司'], '销售':['令狐冲','令狐冲','令狐冲','令狐冲','江小鱼','江小鱼','江小鱼','段誉','段誉','欧阳克','欧阳克','欧阳克','欧阳克','韦小宝','韦小宝','韦小宝','韦小宝'], '销售总监':['岳不群','岳不群','岳不群','岳不群','岳不群','岳不群','岳不群','岳不群','岳不群','完颜洪烈','完颜洪烈','完颜洪烈','完颜洪烈','完颜洪烈','完颜洪烈','完颜洪烈','完颜洪烈'], '产品':['黑玉断续膏','葵花宝典','含笑半步癫','黑玉断续膏','黑玉断续膏','黑玉断续膏','葵花宝典','含笑半步癫','黑玉断续膏','黑玉断续膏','黑玉断续膏','含笑半步癫','葵花宝典','含笑半步癫','黑玉断续膏','黑玉断续膏','如意勾'], '数量':[1,2,1,3,1,3,1,2,4,2,2,1,3,5,2,3,1], '价格':[3000,2000,1000,3000,1000,3000,1000,2000,4000,2000,2000,1000,2000,3000,1000,4000,2000], '状态':['流程中','流程中','待审批','驳回','已完成','流程中','流程中','待审批','驳回','已完成','流程中','待审批','待审批','已完成','已完成','驳回','流程中'], })
索引变成了[客户名称]这一列，values显示的只有数字，而且都处理成均值。 比如：华山三个，数量4/3，价格6000/3，账号就不用说了，三个都一样，均值自然就是其中一个；快手两个，数量4/2，价格6000/2 索引顺序能决定不同的视觉体验，虽然结果是一致的。 pd.pivot_table(df, index=['销售总监','销售','客户名称'])pd.pivot_table(df, index=['客户名称','销售','销售总监']) 
values
如果不需要显示全部的数值列，可以用Values参数指定 # 显然Values不能随便指定，pivot_table()只能显示数值列 print(pd.pivot_table(df, index=['销售总监','销售'], values=['状态'])) ''' Empty DataFrame Columns: [] Index: [(完颜洪烈, 欧阳克), (完颜洪烈, 韦小宝), (岳不群, 令狐冲), (岳不群, 段誉), (岳不群, 江小鱼)] '''
当我们未设置aggfunc时，它默认aggfunc='mean’计算均值。 单一参数多个参数pd.pivot_table(df, index=['销售总监','销售','客户名称'],values=['数量','价格'],aggfunc=np.sum)pd.pivot_table(df, index=['销售总监','销售','客户名称'],values=['数量','价格'],aggfunc=[np.mean,len,np.sum]) 
columns
fill_value
columns参数就是用来显示字符型数据的，和fill_value搭配使用 补充：当 values,aggfunc,columns 的取值只有一个时，有无中括号效果略有不同。 columns，没有的字段显示NaNfill_value，用0填充空值pd.pivot_table(df, index=['销售总监','销售'], values=['价格'],aggfunc=[np.sum],columns=['产品'])pd.pivot_table(df, index=['销售总监','销售'], values=['价格'],aggfunc=[np.sum],columns=['产品'],fill_value=0) 
通过添加参数，还可以显示更多信息。下面这个就花哨多了 pd.pivot_table(df, index=['销售总监','销售','客户名称','产品'],values=['数量','价格'],aggfunc=[np.sum],columns=['状态'],fill_value=0,margins=True)
以销售总监层面，来看销售状态 （aggfunc的参数使用了字典的方式对每一列做出了不同的计算要求。也可以加多个，比如 ‘价格’:[np.mean,np.sum]） pd.pivot_table(df,index=['销售总监','状态'], values=['数量','价格'], columns=['产品'],aggfunc={'数量':len,'价格':np.sum},fill_value=0,margins=True)
生成数据后，你可以使用DataFrame的操作方式对其进行过滤。 比如：你只想看某一位销售总监： data = pd.pivot_table(df,index=['销售总监','状态'], values=['数量','价格'], columns=['产品'],aggfunc={'数量':len,'价格':np.sum},fill_value=0) data.query("销售总监==['完颜洪烈']")
查看所有待审批和驳回的交易 data = pd.pivot_table(df,index=['销售总监','状态'], values=['数量','价格'], columns=['产品'],aggfunc={'数量':len,'价格':np.sum},fill_value=0) data.query("状态==['待审批','驳回']")
xs允许我向下钻取数据透视表的一个横截面。我们也可以向下钻取更多级别。 取得「销售总监」为「岳不群」的数据 data = pd.pivot_table(df,index=['销售总监','销售','产品'], values=['数量','价格'],aggfunc=[np.sum,np.mean],fill_value=0) 单一参数多个参数 
xs中的level可以通过get_level_values来获得
我们得到了一个由两个sheet页的Excel文件，sheet_name分别是销售总监「完颜洪烈」和「岳不群」。 |
例如，我们要查看所有销售总监： 
查看所有销售： 
试着按「销售总监」进行输出：
【本文地址】