pandas.pivot_table #

熊猫。数据透视表（数据，值=无，索引=无，列=无， aggfunc = 'mean'， fill_value =无，边距= False， dropna = True， margins_name = 'All'，观察= _NoDefault.no_default，排序= True）[来源]＃

创建电子表格样式的数据透视表作为 DataFrame。

数据透视表中的级别将存储在结果 DataFrame 的索引和列上的 MultiIndex 对象（分层索引）中。

参数：

数据数据框
值列表式或标量，可选: 要聚合的一列或多列。
索引列、Grouper、数组或上一个的列表: 数据透视表索引上分组依据的键。如果传递一个列表，它可以包含任何其他类型（列表除外）。如果传递数组，则它的长度必须与数据相同，并且将以与列值相同的方式使用。
columns列、Grouper、数组或前面的列表: 数据透视表列上分组依据的键。如果传递一个列表，它可以包含任何其他类型（列表除外）。如果传递数组，则它的长度必须与数据相同，并且将以与列值相同的方式使用。
aggfunc函数，函数列表，字典，默认“mean”: 如果传递函数列表，则生成的数据透视表将具有分层列，其顶层是函数名称（从函数对象本身推断）。如果传递字典，则键是要聚合的列，值是函数或函数列表。如果margin=True， aggfunc 将用于计算部分聚合。
fill_value标量，默认无: 用于替换缺失值的值（在聚合后生成的数据透视表中）。
margins bool, 默认 False: 如果margins=True，All则将添加特殊的列和行，并在行和列上的类别中添加部分组聚合。
dropna bool，默认 True: 请勿包含条目全部为 NaN 的列。如果为 True，则在计算边距之前将忽略任何列中具有 NaN 值的行。
margins_name str，默认“全部”: 当边距为 True 时将包含总计的行/列的名称。
观察到的布尔值，默认 False: 这仅适用于任何石斑鱼是分类的。如果为 True：仅显示分类石斑鱼的观察值。如果为 False：显示分类石斑鱼的所有值。

自 version 2.2.0 起已弃用：默认值False已弃用，并将 True在 pandas 的未来版本中更改为。
排序bool，默认 True: 指定是否应对结果进行排序。

1.3.0 版本中的新增功能。

返回：

数据框: Excel 样式的数据透视表。

也可以看看

DataFrame.pivot: 无需聚合即可处理非数字数据的透视。
DataFrame.melt: 将 DataFrame 从宽格式逆透视为长格式，可以选择保留标识符集。
wide_to_long: 宽面板到长格式。灵活性较差，但比熔化更用户友好。

笔记

请参阅用户指南以获取更多示例。

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

第一个示例通过求和来聚合值。

>>> table = pd.pivot_table(df, values='D', index=['A', 'B'],
...                        columns=['C'], aggfunc="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

我们还可以使用fill_value参数填充缺失值。

>>> table = pd.pivot_table(df, values='D', index=['A', 'B'],
...                        columns=['C'], aggfunc="sum", fill_value=0)
>>> table
C        large  small
A   B
bar one      4      5
    two      7      6
foo one      4      1
    two      0      6

下一个示例通过取多列的平均值来进行聚合。

>>> table = pd.pivot_table(df, values=['D', 'E'], index=['A', 'C'],
...                        aggfunc={'D': "mean", 'E': "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

我们还可以为任何给定值列计算多种类型的聚合。

>>> table = pd.pivot_table(df, values=['D', 'E'], index=['A', 'C'],
...                        aggfunc={'D': "mean",
...                                 'E': ["min", "max", "mean"]})
>>> table
                  D   E
               mean max      mean  min
A   C
bar large  5.500000   9  7.500000    6
    small  5.500000   9  8.500000    8
foo large  2.000000   5  4.500000    4
    small  2.333333   6  4.333333    2