pandas 数据透视表,pandas 透视表
对于透视表，相信熟悉Excel的朋友都知道怎么用。本文将使用PythonPandas实现透视表功能，有兴趣的可以了解一下。
00-1010样本数据参数介绍常用操作描述大家好，我是丁小洁。
关于pivot table，相信熟悉Excel的朋友都知道怎么用，也了解它的强大，熊猫里实现pivot需要pivot_table。
目录
首先，导入演示数据集。
importpandasaspd
Df=pd.read_csv(销售目标. csv )
df.head()
导入示例数据
主要参数：
数据：DataFrame要操作的值：聚合要操作的列，可选索引：行分组键，行索引列：结果DataFrame的列分组键，列索引aggfunc:聚合函数/结果data frame的函数列表，默认为Numpy.mean。这里注意，如果aggfunc中有函数列表，返回的DataFrame中会显示函数名fill _ value:default None，可以设置默认值dropna:default True。如果该列中的所有值都是NaN，则该列将被删除；True，保留边距：默认为False，设置为true以添加行/列的总数。margins_name:默认显示 ALL ，当margins=True时，可以设置页边距的行/列的名称。
参数说明
使用pivot_table时必须指定索引，因为计算应根据索引进行聚合。
pd.pivot_table(df.head(20)、
Index=订单日期，
aggfunc=np.sum)
通过指定值选择要聚合的列。
pd.pivot_table(df.head(20)、
值=销售目标，
Index=订单日期，
aggfunc=np.sum)
当只为聚合指定index时，使用groupby可以达到相同的效果。
Df.head(20)。groupby([订单日期]) [销售目标]。sum()。重置索引()
添加列参数以对列进行分组。
pd.pivot_table(df.head(10)，
值=销售目标，
Index=[订单日期，类别]，
Columns=细分，
aggfunc=np.sum)
对于以上结果中的空值，使用fill_value参数将其统一填充为0。
pd.pivot_table(df.head(10)，
值=销售目标，
Index=[订单日期，类别]，
Columns=[ subdivision]，
aggfunc=np.sum，
fill_value=0)
现在按年统计销售数据。此时请注意aggfunc参数。当参数值包含列表时，函数名称将显示在结果数据帧中。
pd.pivot_table(df，
值=销售目标，
Index=[年，类别]，
Columns=细分，
aggfunc=[np.sum])
如果需要添加汇总列，只需指定margins=True，并根据需要指定汇总名称。
pd.pivot_table(df，
值=销售目标，
Index=[年，类别]，
Columns=细分，
aggfunc=np.sum，
边距=真，
Margins_name= total )
当然，类似于groupby，我们可以指定多种方式同时计算函数。
pd.pivot_table(df，
值=销售目标，
Index=[年，类别]，
Columns=[ subdivision]，
Aggfunc={ sales target 3360 [max，np.sum]}，
fill_value=0)
这就是这篇关于Python Pandas实现数据透视表的文章。关于Python数据透视表的更多信息，请搜索热门IT软件开发工作室之前的文章或者继续浏览下面的相关文章。希望大家以后多多支持热门IT软件开发工作室！
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。