pd.pivot_table 透视表
实现透视表功能
参数如下：
pandas.pivot_table(data, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All', observed=False)
参数解释：
data：df
values：要被聚合的列，可选
index：可以是列，也可以是和df长度一样的array，这个索引就是我们横向维度，如果是多个维度使用list表达
colums：可以是列，是我们纵向的维度，如果是多个维度使用list表达
aggfunc：function, list of functions, dict, default numpy.mean，我们可以np.sum()，或者其他函数
fill_value：替换缺失值的值（在汇总后生成的数据透视表中）
margins：边距bool，默认为False，添加所有行/列（例如，小计/总计）
dropna： bool，默认为True，不要包括所有条目均为NaN的列。
margins_name： str，默认为“全部”，当margins为True时将包含总计的行/列的名称。
observed：观察到的布尔值，默认为False，仅当任何石斑鱼是分类者时才适用。如果为True：仅显示分类石斑鱼的观测值。如果为False：显示分类石斑鱼的所有值。
补充一些：
1.官网：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.pivot_table.html
2.网上有一篇博客写得比较好：https://www.cnblogs.com/Yanjy-OnlyOne/p/11195621.html
ndex就是层次字段，要通过透视表获取什么信息就按照相应的顺序设置字段
而Values可以对需要的计算数据进行筛选
aggfunc参数可以设置我们对数据聚合时进行的函数操作
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
例子
df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo",
"bar", "bar", "bar", "bar"],
"B": ["one", "one", "one", "two", "two",
"one", "one", "two", "two"],
"C": ["small", "large", "large", "small",
"small", "large", "small", "small",
"large"],
"D": [1, 2, 2, 3, 3, 4, 5, 6, 7],
"E": [2, 4, 5, 5, 6, 6, 8, 9, 9]})
df
A B C D E
0 foo one small 1 2
1 foo one large 2 4
2 foo one large 2 5
3 foo two small 3 5
4 foo two small 3 6
5 bar one large 4 6
6 bar one small 5 8
7 bar two small 6 9
8 bar two large 7 9
求和来汇总值
table = pd.pivot_table(df, values='D', index=['A', 'B'], columns=['C'], aggfunc=np.sum) table
C large small
A B
bar one 4.0 5.0
two 7.0 6.0
foo one 4.0 1.0
two NaN 6.0
使用fill_value参数填充缺少的值
table = pd.pivot_table(df, values='D', index=['A', 'B'], columns=['C'], aggfunc=np.sum, fill_value=0) table
C large small
A B
bar one 4 5
two 7 6
foo one 4 1
two 0 6
取多个列的平均值进行汇总
table = pd.pivot_table(df, values=['D', 'E'], index=['A', 'C'], aggfunc={'D': np.mean, 'E': np.mean}) table
D E A C bar large 5.500000 7.500000 small 5.500000 8.500000 foo large 2.000000 4.500000 small 2.333333 4.333333
任何给定的值列计算多种类型的汇总
table = pd.pivot_table(df, values=['D', 'E'], index=['A', 'C'], aggfunc={'D': np.mean, 'E': [min, max, np.mean]}) table
D E
mean max mean min
A C
bar large 5.500000 9.0 7.500000 6.0
small 5.500000 9.0 8.500000 8.0
foo large 2.000000 5.0 4.500000 4.0
small 2.333333 6.0 4.333333 2.0
补充一点，如果要计算费数字型的计算也就是count,可以这样子使用
# Filter on 'Win'; make pivot table df[df.Result == 'Win'].pivot_table(index = 'Name', values = ['Result', 'Speed'], aggfunc = {'Result' : 'count', 'Speed' : 'mean'}, fill_value = 0).rename(columns = {'Result' : 'Win'})
当然你也可以使用groupby的agg
#或者GROUPBY和聚合： # groupby.agg() df[df.Result == 'Win'].groupby('Name').agg({'Result' : 'count', 'Speed' : 'mean'}).rename({'Result' : 'Win'})
