pandas pivot_table 活学活用实例教程

最新推荐文章于 2023-03-23 13:05:32 发布
最新推荐文章于 2023-03-23 13:05:32 发布
阅读量611 收藏 5
点赞数
分类专栏： pandas
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/onemorepoint/article/details/86181966
版权

pandas pivot_table 活学活用实例教程

pandas pivot_table 活学活用实例教程

导入相关数据分析的库
import pandas as pd
import numpy as np
import  matplotlib.pyplot as  plt
import time
df=pd.read_excel("all_data_meituan.xlsx")
df=df[['commentTime','menu','readCnt','star','userId','userLevel','zanCnt']].dropna()
# 这里去掉缺失值，因为后面的透视表中的处理都是直接去除缺失值（dropna=True），这边我们先处理掉，以免与后面的结果发生了矛盾，还要分析问题在哪里。
df.head() # 看出前5行
commentTimemenureadCntstaruserIduserLevelzanCnt
01525875708515单人午晚餐254344029175449712
115278532916582人午晚餐72934082929713020
215228139437112人午晚餐31787503821709042
31525165942926单人午晚餐10334206772620551
41526546884897单人午晚餐5658309397489430
首先进行commentTime时间进行数据预处理

def convertTime(x):
    y=time.localtime(x/1000)
    z=time.strftime("%Y-%m-%d %H:%M:%S",y)
    return z
df["commentTime"]=df["commentTime"].apply(convertTime)

df.head()
commentTimemenureadCntstaruserIduserLevelzanCnt
02018-05-09 22:21:48单人午晚餐254344029175449712
12018-06-01 19:41:312人午晚餐72934082929713020
22018-04-04 11:52:232人午晚餐31787503821709042
32018-05-01 17:12:22单人午晚餐10334206772620551
42018-05-17 16:48:04单人午晚餐5658309397489430
查看数据类型信息
df.info()
<class 'pandas.core.frame.DataFrame'>
Int64Index: 17223 entries, 0 to 199
Data columns (total 7 columns):
commentTime    17223 non-null object
menu           17223 non-null object
readCnt        17223 non-null int64
star           17223 non-null int64
userId         17223 non-null int64
userLevel      17223 non-null int64
zanCnt         17223 non-null int64
dtypes: int64(5), object(2)
memory usage: 1.1+ MB
最简单的透视表
# 下面使用pandas中我们在前面的数据分析中未使用到的一个大的模块，透视表pivot_table
pd.pivot_table(df,index=['menu'])
readCntstaruserIduserLevelzanCnt
menu
2人午晚餐1592.57604737.4044503.195518e+082.2697640.073691
4人午/晚自助1378.81783737.3118282.507373e+082.5654650.041746
6人午/晚自助999.23274242.1499013.469539e+083.1301780.047337
单人下午自助烤肉3722.08294234.1627543.821938e+081.6541470.574335
单人午/晚自助1618.22388142.9850752.580148e+082.5970150.000000
单人午晚餐1733.29795937.3571433.197547e+082.3933670.105867
周一至周五自助烤肉/周六日及节假日自助烤肉2选1137.88516741.0047852.346154e+082.4736840.000000
周一至周五自助烤肉，免费WiFi74.18181850.0000003.153784e+080.5454550.000000
学生专享午晚自助1501.58605038.6694473.725546e+082.3097040.090599
直接敲击该函数，在notebook中可以查看该函数的参数
# 查看函数的参数以及默认参数，其中aggfunc意思是透视表使用的聚类分析方法，这种简单的透视表我们可以通过groupby实现，df.groupby('menu').mean()
#  这里针对的数值型字段，比如我们在预处理中的评论时间字段并没有出现求平均的结果 
pd.pivot_table  

<function pandas.core.reshape.pivot.pivot_table(data, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All')>
多个索引列
# 实际上单个索引的pivot_table 与groupby得到的结果一样，可以这样说，pivot_table是高级版本的groupby，提供了很多groupby不能实现的功能
# 多索引，通过列表传入
pd.pivot_table(df,index=['menu','star'])
# 发现一个问题，star索引列中的数据显示不全，有的menu评分不全，不过这并不影响我们进行分析
# 加入star列类型是int类型的话，会有显示不全的信息，但是将star列转化为category类之后，数据显示完整，后文有示例
# 发现每个menu重的点赞的平均数在评分位10分的最高，也就是浏览评论数据的人中给10分的评价点赞数最多，很可能是因为一针见血的指出了该品类的真相。。
readCntuserIduserLevelzanCnt
menustar
2人午晚餐103209.7629182.658655e+082.3069910.486322
201332.6341463.405706e+082.0844280.026266
30453.6808193.168836e+082.0319680.011489
401387.5654593.124086e+082.2581360.059172
502770.6221043.345696e+082.5564670.099421
4人午/晚自助102894.9694661.837606e+081.1908400.305344
20989.5294127.500110e+072.0588240.000000
30608.1388892.855711e+082.4699070.000000
401413.6086962.492934e+082.8333330.014493
501651.9253732.624418e+082.8358210.037313
6人午/晚自助102880.0000001.417346e+083.0000001.000000
301382.4375003.574079e+082.3214290.133929
40475.0140853.931602e+083.6197180.000000
501066.4734693.220952e+083.2204080.004082
单人下午自助烤肉103316.0816338.303536e+081.4081632.244898
201674.0000000.000000e+000.0000000.000000
303483.1730773.891840e+081.4230770.682692
404040.0347221.299745e+081.8333330.034722
504223.0177513.738496e+082.1242600.000000
单人午/晚自助302424.0000000.000000e+000.0000000.000000
401600.0370372.413956e+082.3703700.000000
501366.0000003.589771e+083.6666670.000000
单人午晚餐102107.8113211.450798e+082.2452830.754717
202236.2382553.244870e+082.5268460.473154
30566.4279842.748531e+082.1539090.011523
402247.6928813.391905e+082.4379140.084437
502288.4519673.638373e+082.5882890.071363
周一至周五自助烤肉/周六日及节假日自助烤肉2选1201313.0000005.211120e+082.0000000.000000
3071.2608702.453638e+082.1956520.000000
4083.0606061.129387e+082.4848480.000000
5079.6321842.883081e+082.6666670.000000
周一至周五自助烤肉，免费WiFi5074.1818183.153784e+080.5454550.000000
学生专享午晚自助101331.1089115.364212e+081.0000000.207921
201602.9057593.906107e+082.3717280.104712
30731.2211723.847745e+081.8090740.102079
401091.9947592.895067e+082.6792450.046122
502424.1112404.336949e+082.3476250.115875
特定列的统计
# 上面的分析中包含了多列的平均值，假如我们只想看其中的readCnt 列，可以传入values参数
pd.pivot_table(df,index=['menu','star'],values='readCnt')
readCnt
menustar
2人午晚餐103209.762918
201332.634146
30453.680819
401387.565459
502770.622104
4人午/晚自助102894.969466
20989.529412
30608.138889
401413.608696
501651.925373
6人午/晚自助102880.000000
301382.437500
40475.014085
501066.473469
单人下午自助烤肉103316.081633
201674.000000
303483.173077
404040.034722
504223.017751
单人午/晚自助302424.000000
401600.037037
501366.000000
单人午晚餐102107.811321
202236.238255
30566.427984
402247.692881
502288.451967
周一至周五自助烤肉/周六日及节假日自助烤肉2选1201313.000000
3071.260870
4083.060606
5079.632184
周一至周五自助烤肉，免费WiFi5074.181818
学生专享午晚自助101331.108911
201602.905759
30731.221172
401091.994759
502424.111240
规定特定的聚合函数
#  此时，我们也会考虑，这个地方是不是只能是平均值，回答当然是no，还可以通过aggfunc传入其他的参数，以获得不同的结果，例如
# 我们可以通过传入np.sum,函数，求总和
pd.pivot_table(df,index=['menu','star'],values='readCnt',aggfunc=np.sum)
readCnt
menustar
2人午晚餐101056012
20710294
30908269
403751977
505740729
4人午/晚自助10379241
2067288
30262716
40585234
50885432
6人午/晚自助1023040
30154833
4067452
50261286
单人下午自助烤肉10324976
2033480
30724500
40581765
50713690
单人午/晚自助3024240
4043201
5040980
单人午晚餐10223428
20666399
30688210
402715213
502501278
周一至周五自助烤肉/周六日及节假日自助烤肉2选12013130
303278
405482
506928
周一至周五自助烤肉，免费WiFi501632
学生专享午晚自助10134442
20306155
30386816
401041763
502092008
传入多个聚合函数
#  aggfunc 可以传入多个参数
pd.pivot_table(df,index=['menu','star'],values='readCnt',aggfunc=[np.sum,len])
sumlen
readCntreadCnt
menustar
2人午晚餐101056012329
20710294533
309082692002
4037519772704
5057407292072
4人午/晚自助10379241131
206728868
30262716432
40585234414
50885432536
6人午/晚自助10230408
30154833112
4067452142
50261286245
单人下午自助烤肉1032497698
203348020
30724500208
40581765144
50713690169
单人午/晚自助302424010
404320127
504098030
单人午晚餐10223428106
20666399298
306882101215
4027152131208
5025012781093
周一至周五自助烤肉/周六日及节假日自助烤肉2选1201313010
30327846
40548266
50692887
周一至周五自助烤肉，免费WiFi50163222
学生专享午晚自助10134442101
20306155191
30386816529
401041763954
502092008863
#  aggfunc 可以传入多个参数
pd.pivot_table(df,index=['menu','star'],values='readCnt',aggfunc=[np.sum,len,np.mean])
sumlenmean
readCntreadCntreadCnt
menustar
2人午晚餐1010560123293209.762918
207102945331332.634146
309082692002453.680819
40375197727041387.565459
50574072920722770.622104
4人午/晚自助103792411312894.969466
206728868989.529412
30262716432608.138889
405852344141413.608696
508854325361651.925373
6人午/晚自助102304082880.000000
301548331121382.437500
4067452142475.014085
502612862451066.473469
单人下午自助烤肉10324976983316.081633
2033480201674.000000
307245002083483.173077
405817651444040.034722
507136901694223.017751
单人午/晚自助3024240102424.000000
4043201271600.037037
5040980301366.000000
单人午晚餐102234281062107.811321
206663992982236.238255
306882101215566.427984
40271521312082247.692881
50250127810932288.451967
周一至周五自助烤肉/周六日及节假日自助烤肉2选12013130101313.000000
3032784671.260870
4054826683.060606
5069288779.632184
周一至周五自助烤肉，免费WiFi5016322274.181818
学生专享午晚自助101344421011331.108911
203061551911602.905759
30386816529731.221172
4010417639541091.994759
5020920088632424.111240
传入columns参数
# 同时我们可以利用columns传入参数，通常传入的都是category类型的字段，这样可以分析针对这个字段下，values对应列的各个aggfunc函数，例如
pd.pivot_table(df,index=['menu','star'],values='readCnt',columns='userLevel',aggfunc=[np.sum,len])
sumlen
userLevel01234560123456
menustar
2人午晚餐10258020.017404.0556200.0167428.056960.0NaNNaN50.019.0100.0100.060.0NaNNaN
20139630.070824.0291639.0143281.064920.0NaNNaN105.048.0157.0143.080.0NaNNaN
30136235.044579.074229.0384310.0256611.010165.02140.0508.0232.0350.0620.0204.068.020.0
40943979.0143525.01037331.0555754.01050919.012825.07644.0479.0282.0678.0694.0481.078.012.0
501028106.0910589.0194753.01339691.02190625.09505.067460.0207.0237.0441.0725.0351.067.044.0
4人午/晚自助10225540.0NaN137293.016408.0NaNNaNNaN60.0NaN57.014.0NaNNaNNaN
2020628.0NaNNaN15860.030800.0NaNNaN28.0NaNNaN20.020.0NaNNaN
3064636.0NaN36427.0133200.018794.09659.0NaN72.0NaN133.0138.058.031.0NaN
40272260.0NaN158807.056781.044983.0NaN52403.020.0NaN146.0137.098.0NaN13.0
50564533.0NaN25130.0201899.077930.010240.05700.079.0NaN95.0205.090.047.020.0
6人午/晚自助10NaNNaNNaN23040.0NaNNaNNaNNaNNaNNaN8.0NaNNaNNaN
307800.0NaN22551.081846.042636.0NaNNaN20.0NaN35.038.019.0NaNNaN
40NaNNaN7345.011150.028780.020177.0NaNNaNNaN27.039.037.039.0NaN
507560.0NaN11476.0122220.038064.013086.068880.018.0NaN38.098.056.015.020.0
单人下午自助烤肉10NaN196536.0NaN128440.0NaNNaNNaNNaN78.0NaN20.0NaNNaNNaN
2033480.0NaNNaNNaNNaNNaNNaN20.0NaNNaNNaNNaNNaNNaN
30615033.0NaN68015.0472.040980.0NaNNaN101.0NaN65.02.040.0NaNNaN
40322580.028460.014442.0205620.010663.0NaNNaN40.020.016.060.08.0NaNNaN
5022500.0NaN657928.018242.015020.0NaNNaN20.0NaN108.021.020.0NaNNaN
单人午/晚自助3024240.0NaNNaNNaNNaNNaNNaN10.0NaNNaNNaNNaNNaNNaN
40NaNNaN40681.02520.0NaNNaNNaNNaNNaN17.010.0NaNNaNNaN
50NaNNaNNaN10760.030220.0NaNNaNNaNNaNNaN10.020.0NaNNaN
单人午晚餐1089260.0NaNNaN75968.038200.020000.0NaN40.0NaNNaN36.020.010.0NaN
2026710.051900.0359680.051328.0166447.010334.0NaN30.040.080.040.0107.01.0NaN
30122043.045679.0111660.0195120.0167446.046262.0NaN289.096.0289.0267.0228.046.0NaN
40160276.0210574.0108343.01961559.0116063.0158398.0NaN185.081.0263.0450.0157.072.0NaN
50423175.0532911.081259.01174165.080857.0200272.08639.0145.0129.0200.0357.0108.0127.027.0
周一至周五自助烤肉/周六日及节假日自助烤肉2选120NaNNaN13130.0NaNNaNNaNNaNNaNNaN10.0NaNNaNNaNNaN
30369.0NaN2144.0765.0NaNNaNNaN3.0NaN28.015.0NaNNaNNaN
401967.0NaNNaNNaN3515.0NaNNaN25.0NaNNaNNaN41.0NaNNaN
501602.0NaN1387.02148.0840.0951.0NaN18.0NaN15.028.012.014.0NaN
周一至周五自助烤肉，免费WiFi50420.01212.0NaNNaNNaNNaNNaN10.012.0NaNNaNNaNNaNNaN
学生专享午晚自助1067546.040276.06538.020082.0NaNNaNNaN37.042.07.015.0NaNNaNNaN
2089080.0NaN54380.0147675.0NaN15020.0NaN40.0NaN40.091.0NaN20.0NaN
3038524.0175981.0119230.043321.04340.05420.0NaN134.077.0134.0144.020.020.0NaN
4095021.056070.0290879.0193114.0379548.027131.0NaN105.049.0209.0346.0174.071.0NaN
50102935.0NaN812392.0302126.0734360.08620.0131575.0189.0NaN269.0210.0136.040.019.0
生成的DataFrame可以导出excel或csv文件
# pd.pivot_table(df,index=['menu','star'],values='readCnt',columns='userLevel',aggfunc=[np.sum,len]).to_excel('pivot_table.xlsx')
# 这里生成的是DataFrame结构，可以直接将结果导出生成excel或者csv文件
修改index中的数据类型，显示完整的索引列
#  我们可以总结一下，index中一般是category类型，columns也是category类型，当然可以是能够代表category的数值，比如这里的离散数值，
#  values中一般是数值类型，aggfunc针对values中的值进行计算，这里我们可以
# 更改index与columns中的字段，并通过数据类型的变换，则可以将index中显示不全的信息显示完整。
df['menu']=df['menu'].astype('category')
df['userLevel']=df['userLevel'].astype('category')
df['star']=df['star'].astype('category')
pd.pivot_table(df,index=['menu','userLevel'],values='readCnt',columns='star',aggfunc=[np.sum,len])
sumlen
star10203040501020304050
menuuserLevel
2人午晚餐0258020.0139630.0136235.0943979.01028106.050.0105.0508.0479.0207.0
117404.070824.044579.0143525.0910589.019.048.0232.0282.0237.0
2556200.0291639.074229.01037331.0194753.0100.0157.0350.0678.0441.0
3167428.0143281.0384310.0555754.01339691.0100.0143.0620.0694.0725.0
456960.064920.0256611.01050919.02190625.060.080.0204.0481.0351.0
5NaNNaN10165.012825.09505.0NaNNaN68.078.067.0
6NaNNaN2140.07644.067460.0NaNNaN20.012.044.0
4人午/晚自助0225540.020628.064636.0272260.0564533.060.028.072.020.079.0
1NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
2137293.0NaN36427.0158807.025130.057.0NaN133.0146.095.0
316408.015860.0133200.056781.0201899.014.020.0138.0137.0205.0
4NaN30800.018794.044983.077930.0NaN20.058.098.090.0
5NaNNaN9659.0NaN10240.0NaNNaN31.0NaN47.0
6NaNNaNNaN52403.05700.0NaNNaNNaN13.020.0
6人午/晚自助0NaNNaN7800.0NaN7560.0NaNNaN20.0NaN18.0
1NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
2NaNNaN22551.07345.011476.0NaNNaN35.027.038.0
323040.0NaN81846.011150.0122220.08.0NaN38.039.098.0
4NaNNaN42636.028780.038064.0NaNNaN19.037.056.0
5NaNNaNNaN20177.013086.0NaNNaNNaN39.015.0
6NaNNaNNaNNaN68880.0NaNNaNNaNNaN20.0
单人下午自助烤肉0NaN33480.0615033.0322580.022500.0NaN20.0101.040.020.0
1196536.0NaNNaN28460.0NaN78.0NaNNaN20.0NaN
2NaNNaN68015.014442.0657928.0NaNNaN65.016.0108.0
3128440.0NaN472.0205620.018242.020.0NaN2.060.021.0
4NaNNaN40980.010663.015020.0NaNNaN40.08.020.0
5NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
6NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
单人午/晚自助0NaNNaN24240.0NaNNaNNaNNaN10.0NaNNaN
1NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
.................................
5NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
6NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
单人午晚餐089260.026710.0122043.0160276.0423175.040.030.0289.0185.0145.0
1NaN51900.045679.0210574.0532911.0NaN40.096.081.0129.0
2NaN359680.0111660.0108343.081259.0NaN80.0289.0263.0200.0
375968.051328.0195120.01961559.01174165.036.040.0267.0450.0357.0
438200.0166447.0167446.0116063.080857.020.0107.0228.0157.0108.0
520000.010334.046262.0158398.0200272.010.01.046.072.0127.0
6NaNNaNNaNNaN8639.0NaNNaNNaNNaN27.0
周一至周五自助烤肉/周六日及节假日自助烤肉2选10NaNNaN369.01967.01602.0NaNNaN3.025.018.0
1NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
2NaN13130.02144.0NaN1387.0NaN10.028.0NaN15.0
3NaNNaN765.0NaN2148.0NaNNaN15.0NaN28.0
4NaNNaNNaN3515.0840.0NaNNaNNaN41.012.0
5NaNNaNNaNNaN951.0NaNNaNNaNNaN14.0
6NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
周一至周五自助烤肉，免费WiFi0NaNNaNNaNNaN420.0NaNNaNNaNNaN10.0
1NaNNaNNaNNaN1212.0NaNNaNNaNNaN12.0
2NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
3NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
4NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
5NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
6NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
学生专享午晚自助067546.089080.038524.095021.0102935.037.040.0134.0105.0189.0
140276.0NaN175981.056070.0NaN42.0NaN77.049.0NaN
26538.054380.0119230.0290879.0812392.07.040.0134.0209.0269.0
320082.0147675.043321.0193114.0302126.015.091.0144.0346.0210.0
4NaNNaN4340.0379548.0734360.0NaNNaN20.0174.0136.0
5NaN15020.05420.027131.08620.0NaN20.020.071.040.0
6NaNNaNNaNNaN131575.0NaNNaNNaNNaN19.0

63 rows × 10 columns

传入fill_value参数，处理缺失值
# 上面的例子虽然将index显示完整了，但是仍然有很多缺失值NaN(not a number),显示在这里给人感觉不舒服的话，可以在参数中传入fill_value，例如
pd.pivot_table(df,index=['userLevel','menu'],values='readCnt',columns='star',aggfunc=[np.sum,len],fill_value=0)
sumlen
star10203040501020304050
userLevelmenu
02人午晚餐258020139630136235943979102810650105508479207
4人午/晚自助22554020628646362722605645336028722079
6人午/晚自助007800075600020018
单人下午自助烤肉033480615033322580225000201014020
单人午/晚自助002424000001000
单人午晚餐89260267101220431602764231754030289185145
周一至周五自助烤肉/周六日及节假日自助烤肉2选100369196716020032518
周一至周五自助烤肉，免费WiFi0000420000010
学生专享午晚自助675468908038524950211029353740134105189
12人午晚餐1740470824445791435259105891948232282237
4人午/晚自助0000000000
6人午/晚自助0000000000
单人下午自助烤肉196536002846007800200
单人午/晚自助0000000000
单人午晚餐051900456792105745329110409681129
周一至周五自助烤肉/周六日及节假日自助烤肉2选10000000000
周一至周五自助烤肉，免费WiFi00001212000012
学生专享午晚自助40276017598156070042077490
22人午晚餐556200291639742291037331194753100157350678441
4人午/晚自助1372930364271588072513057013314695
6人午/晚自助002255173451147600352738
单人下午自助烤肉006801514442657928006516108
单人午/晚自助000406810000170
单人午晚餐035968011166010834381259080289263200
周一至周五自助烤肉/周六日及节假日自助烤肉2选101313021440138701028015
周一至周五自助烤肉，免费WiFi0000000000
学生专享午晚自助653854380119230290879812392740134209269
32人午晚餐1674281432813843105557541339691100143620694725
4人午/晚自助1640815860133200567812018991420138137205
6人午/晚自助230400818461115012222080383998
.................................
周一至周五自助烤肉/周六日及节假日自助烤肉2选100765021480015028
周一至周五自助烤肉，免费WiFi0000000000
学生专享午晚自助20082147675433211931143021261591144346210
42人午晚餐5696064920256611105091921906256080204481351
4人午/晚自助030800187944498377930020589890
6人午/晚自助0042636287803806400193756
单人下午自助烤肉004098010663150200040820
单人午/晚自助000030220000020
单人午晚餐382001664471674461160638085720107228157108
周一至周五自助烤肉/周六日及节假日自助烤肉2选100035158400004112
周一至周五自助烤肉，免费WiFi0000000000
学生专享午晚自助0043403795487343600020174136
52人午晚餐001016512825950500687867
4人午/晚自助0096590102400031047
6人午/晚自助00020177130860003915
单人下午自助烤肉0000000000
单人午/晚自助0000000000
单人午晚餐2000010334462621583982002721014672127
周一至周五自助烤肉/周六日及节假日自助烤肉2选10000951000014
周一至周五自助烤肉，免费WiFi0000000000
学生专享午晚自助0150205420271318620020207140
62人午晚餐00214076446746000201244
4人午/晚自助0005240357000001320
6人午/晚自助000068880000020
单人下午自助烤肉0000000000
单人午/晚自助0000000000
单人午晚餐00008639000027
周一至周五自助烤肉/周六日及节假日自助烤肉2选10000000000
周一至周五自助烤肉，免费WiFi0000000000
学生专享午晚自助0000131575000019

63 rows × 10 columns

设添加margins参数，定margin_name名称
pd.pivot_table(df,index=['userLevel','menu'],values='readCnt',columns='star',aggfunc=[len],fill_value=0,margins=True,margins_name='总计')
# 显示总计
len
star1020304050总计
userLevelmenu
02人午晚餐501055084792071349.0
4人午/晚自助6028722079259.0
6人午/晚自助002001838.0
单人下午自助烤肉0201014020181.0
单人午/晚自助00100010.0
单人午晚餐4030289185145689.0
周一至周五自助烤肉/周六日及节假日自助烤肉2选1003251846.0
周一至周五自助烤肉，免费WiFi00001010.0
学生专享午晚自助3740134105189505.0
12人午晚餐1948232282237818.0
4人午/晚自助00000NaN
6人午/晚自助00000NaN
单人下午自助烤肉780020098.0
单人午/晚自助00000NaN
单人午晚餐0409681129346.0
周一至周五自助烤肉/周六日及节假日自助烤肉2选100000NaN
周一至周五自助烤肉，免费WiFi00001212.0
学生专享午晚自助42077490168.0
22人午晚餐1001573506784411726.0
4人午/晚自助57013314695431.0
6人午/晚自助00352738100.0
单人下午自助烤肉006516108189.0
单人午/晚自助00017017.0
单人午晚餐080289263200832.0
周一至周五自助烤肉/周六日及节假日自助烤肉2选10102801553.0
周一至周五自助烤肉，免费WiFi00000NaN
学生专享午晚自助740134209269659.0
32人午晚餐1001436206947252282.0
4人午/晚自助1420138137205514.0
6人午/晚自助80383998183.0
.....................
周一至周五自助烤肉，免费WiFi00000NaN
学生专享午晚自助1591144346210806.0
42人午晚餐60802044813511176.0
4人午/晚自助020589890266.0
6人午/晚自助00193756112.0
单人下午自助烤肉004082068.0
单人午/晚自助00002020.0
单人午晚餐20107228157108620.0
周一至周五自助烤肉/周六日及节假日自助烤肉2选1000411253.0
周一至周五自助烤肉，免费WiFi00000NaN
学生专享午晚自助0020174136330.0
52人午晚餐00687867213.0
4人午/晚自助003104778.0
6人午/晚自助000391554.0
单人下午自助烤肉00000NaN
单人午/晚自助00000NaN
单人午晚餐1014672127256.0
周一至周五自助烤肉/周六日及节假日自助烤肉2选100001414.0
周一至周五自助烤肉，免费WiFi00000NaN
学生专享午晚自助020207140151.0
62人午晚餐0020124476.0
4人午/晚自助000132033.0
6人午/晚自助00002020.0
单人下午自助烤肉00000NaN
单人午/晚自助00000NaN
单人午晚餐00002727.0
周一至周五自助烤肉/周六日及节假日自助烤肉2选100000NaN
周一至周五自助烤肉，免费WiFi00000NaN
学生专享午晚自助00001919.0
总计773112045545659511717223.0

64 rows × 6 columns

aggfunc传入字典，规定单个字段对应的聚合函数
df['star']=df['star'].astype("int")
pd.pivot_table(df,index=['menu'],columns=["userLevel"],values=["readCnt",'star'],
               aggfunc={"star":len,"readCnt":[np.sum]},fill_value=0)
#  可以aggfunc函数传入一个字典，规定单个字段对应的聚合函数
readCntstar
sumlen
userLevel01234560123456
menu
2人午晚餐250597011869212154152259046436200353249577244134981817262282117621376
4人午/晚自助11475970357657424148172507198995810325904315142667833
6人午/晚自助1536004137223825610948033263688803801001831125420
单人下午自助烤肉9935932249967403853527746666300181981891036800
单人午/晚自助2424004068113280302200010017202000
单人午晚餐82146484106466094234581405690134352668639689346832115062025627
周一至周五自助烤肉/周六日及节假日自助烤肉2选13938016661291343559510460534353140
周一至周五自助烤肉，免费WiFi420121200000101200000
学生专享午晚自助393106272327128341970631811182485619113157550516865980633015119
可以使用query 进行查询数据

table=pd.pivot_table(df,index=['menu'],columns=["userLevel"],values=["readCnt",'star'],
               aggfunc={"star":len,"readCnt":[np.sum]})
table
readCntstar
sumlen
userLevel01234560123456
menu
2人午晚餐2505970.01186921.02154152.02590464.03620035.032495.077244.01349.0818.01726.02282.01176.0213.076.0
4人午/晚自助1147597.0NaN357657.0424148.0172507.019899.058103.0259.0NaN431.0514.0266.078.033.0
6人午/晚自助15360.0NaN41372.0238256.0109480.033263.068880.038.0NaN100.0183.0112.054.020.0
单人下午自助烤肉993593.0224996.0740385.0352774.066663.0NaNNaN181.098.0189.0103.068.0NaNNaN
单人午/晚自助24240.0NaN40681.013280.030220.0NaNNaN10.0NaN17.020.020.0NaNNaN
单人午晚餐821464.0841064.0660942.03458140.0569013.0435266.08639.0689.0346.0832.01150.0620.0256.027.0
周一至周五自助烤肉/周六日及节假日自助烤肉2选13938.0NaN16661.02913.04355.0951.0NaN46.0NaN53.043.053.014.0NaN
周一至周五自助烤肉，免费WiFi420.01212.0NaNNaNNaNNaNNaN10.012.0NaNNaNNaNNaNNaN
学生专享午晚自助393106.0272327.01283419.0706318.01118248.056191.0131575.0505.0168.0659.0806.0330.0151.019.0
高级的透视表查询语句
table.query("menu==['2人午晚餐','单人午晚餐']")
readCntstar
sumlen
userLevel01234560123456
menu
2人午晚餐2505970.01186921.02154152.02590464.03620035.032495.077244.01349.0818.01726.02282.01176.0213.076.0
单人午晚餐821464.0841064.0660942.03458140.0569013.0435266.08639.0689.0346.0832.01150.0620.0256.027.0

至此，pandas中的透视表的功能实例实现完成

posted on 2018-08-20 23:51 多一点 阅读(...) 评论(...) 编辑 收藏

onemorepoint
关注
专栏目录
实例讲解Pandas和Scikit-learn的用法
程序员光剑
08-03 1521
数据预处理(Data Preprocessing)是数据科学的一个重要环节，数据预处理将源数据转换成训练模型所需的结构化、易于分析的数据形式，并对缺失值、异常值进行处理，使得数据具有更好的质量、有效性和可预测性。数据预处理也是许多机器学习算法的前置条件。Pandas和Scikit-learn都是Python中的两个最流行的数据处理库。在本文中，我们将介绍Pandas和Scikit-learn工具包，以及它们如何处理数据的预处理任务。
Python中的pandas库
日积月累
09-25 6000
1.用pandas打开.csv或者.xlsx文件 .csv文件是以&quot;,&quot;作为分隔符的文件，可以用Excel打开（2003或者2007） from pandas import * fp = DataFrame(read_csv('food_info.csv')) #打开.csv文件 print(fp.head(1)) #打印数据的头1行，fp.tail(3) #打印数据的最后3行 print(fp...
Excel PivotTable 用法介绍
05-18
非常详细的介绍,根据本人的实际心得写成,希望对各位有所帮助
pandas 学习 —— pivot table
12-21 1331
0. DataFrame 的 index、columns、values>> df = pd.DataFrame(np.arange(6).reshape(3, 2), index=['one', 'two', 'three'], columns=['a', 'b']) >> df a b one 0 1 two 2 3 three 4 5>> df.index I
利用python做数据分析第二版pandas库的使用（一）
chenbogger的博客
08-22 934
pandas的数据结构介绍 pandas主要有两个数据结构：Series和DataFrame、虽然不能解决所有问题，但为大多数应用提供一种可靠的、易于使用的基础 导入方式 import pandas as pd 只要你在代码中看到pd.，就得想到这是pandas。因为Series和DataFrame用的次数非常多，所以将其引入本地命名空间中会更方便 from pandas import Seri...
pandas库使用
Facico的博客
09-20 321
pandas复习 文件操作 对csv文件的读取 fr=read_csv(filename,header=None,names=None); names就是每一列的名字，定义为None就会没有给他初始名字，那么每一行列的初始值就是从0开始的数字。 也可以初始化一个字符串列表，然后names=这个列表就可以有初始名字了 如果不打后面那两个东西的话，那么检索值就是csv文件中的东西 建立一个csv文件 dataSet.to_csv("xxx.csv",index=False) index表示要不要在行前面加1
python数据分析 活用pandas库_Python数据分析:活用Pandas库
weixin_36076701的博客
02-04 1479
献词 iii序 iv前言 v致谢 xi关于作者 xiv第 一部分 简介 1第 1章 Pandas DataFrame基础知识 21.1 简介 21.2 加载数据集 31.3 查看列、行、单元格 51.3.1 取列子集 61.3.2 取行子集 71.3.3 混合 111.4 分组和聚合计算 161.4.1 分组方式 171.4.2 分组频率计数 211.5 基本绘图 211.6 小结 22第 2章 ...
pandas教程实用代码.zip
08-10
这个“pandas教程实用代码.zip”文件显然包含了大量关于如何使用Pandas进行数据操作的实例和指南，适合初学者和有经验的数据分析师进行学习和参考。 1. **数据结构**：Pandas的核心是DataFrame对象，它是一种二维...
django中使用pandas Django-pandas
weixin_30374009的博客
08-12 2814
在django中使用pandas操作django的ORM查询出来的QuerySet对象，可以使用插件django-pandas。 截止教程书写时间，django-pandas已发布到0.6.1。 依赖：django>=1.4.5 Django-model-utils >=1.4.0 Pandas >=0.12.0 ...
Python 基础教程 —— Pandas 库常用方法实例说明
风尘浪子
05-20 1025
目录 1. pandas.Series（data=None, index=None, dtype=None, name=None, copy=False, fastpath=False ） 2. pandas.DataFrame ([data],[index]) 根据行建立数据 3. pandas.DataFrame ({dic}) 根据列建立数据 4. pandas.DataFrame（[list]）根据数据建立列数据 5. loc 、iloc数据筛选 6. 多级行索引 7. 使...
Python金融量化利器——Pandas操作手册（一）
Python学习教程
10-08 980
Pandas是Python在数据分析与挖掘上崭露头角的第三方库，可以说学会Pandas的操作，在金融量化上将游刃有余，下面以系列的形式，给大家分享pandas的完全操作手册。由于内容较大，没有展示相关案例，最好是结合具体数据进行操作。 输入/输出 Pickling read_pickle(path[, compression])：从文件加载pickled pandas对象（或任何对象） 平...
python下数据分析库pandas简明教程
09-28
python下 数据分析库pandas常用功能整理，配合实例，快速上手。网页版，图文并茂，方便加入有道笔记等，
Python数据分析入门：使用Pandas库
Meiko的博客
03-23 3720
通过本文的介绍，了解了Python的Pandas库如何简化数据分析过程。Pandas提供了丰富的数据处理、筛选、排序、聚合和分组功能，使得数据分析变得高效便捷。本文只是Pandas的入门介绍，实际上Pandas的功能远不止于此。Series是一维数组，可以存储不同类型的数据，而DataFrame是一个二维表格结构，由多个Series组成。在进行数据分析之前，通常需要对数据进行预处理，包括处理缺失值、重复值和数据类型转换。可以使用iloc和loc方法访问和修改DataFrame中的数据。
pandas数据结构(python数据分析活用pandas库)
mixiaolemy的博客
09-12 216
目录 1创建数据 1.1创建series 1.2创建dataframe 2.Series 2.1类似于ndarray的Series 2.2布尔子集：series 2.3操作自动对齐和向量化 2.3.1同长度向量 2.3.2向量和整数运算 2.3.3不同长度向量间的运算 2.3.4带有常见索引标签的向量 3.dataframe 3.1布尔子集 3.2操作自动对齐和向量化 4.更改series和dataframe 4.1添加列 4.2更改...
Python-如何使用PivotTable（透视表）
youyouxiong的博客
06-27 5475
也许大多数人都有在Excel中使用数据透视表的经历，其实Pandas也提供了一个类似的功能，名为pivot_table。虽然pivot_table非常有用，但是我发现为了格式化输出我所需要的内容，经常需要记住它的使用语法。所以，本文将重点解释pandas中的函数pivot_table，并教大家如何使用它来进行数据分析。 如果你对这个概念不熟悉，wikipedia上对它做了详细的解释。顺便说一下，你知道微软为PivotTable（透视表）注册了商标吗？其实以前我也不知道。不用说，下面我将讨论的透视表并不是P
【Pandas】Python数据分析活用Pandas库学习笔记（二）
qq_44703886的博客
02-20 1074
第3章 绘图 3.1 matplotlib库 """ 2021.02.18 author:alian 三类绘图的库：matplotlib,seaborn,Pandas绘图 """ import pandas as pd import matplotlib.pyplot as plt import seaborn as sns # 载入anscombe数据集 anscombe = sns.load_dataset("anscombe") # print(anscombe) # 库1: matplotli
【Pandas】Python数据分析活用Pandas库学习笔记（一）
qq_44703886的博客
02-18 1693
引言 博客中涉及的数据文件，下载下面的连接 数据资料链接：https://www.ituring.com.cn/book/download/37deb472-af30-4444-b791-92f983fe00c9 第1章 Pandas DataFrame 基础知识 """ 2021.02.18 author:alian """ import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv(r'D:\Python数据分析\Panda
Pandas_聚合数据_pivot_table()
热门推荐
学习笔记
11-21 2万+
聚合数据 pivot_table() 将列数据设定为行索引和列索引，并可以聚合运算。 (我总觉得，pivot_table 就是把分组key放到index和columns进行二维分组) （pivot() 只能将列数据转换成行索引和列索引，不能运算，而且如果某项数据出现重复时，将无法执行。） pivot_table() 既是顶级类函数，也是实例对象函数。 “一般的经验法则是，一旦使用多个“...
python pandas 模块 pivot_table 函数的使用，比Excel透视更强大
YmeBtc的博客
09-26 1067
每天一点点，记录工作中实操可行 pandas melt 模块的使用 mac系统找到文件路径及复制到你的代码中 python pandas 模块 pivot_table 函数的使用，比Excel透视更强大 pivot_table 语法函数参数如下： pivot_table(data, values=None, index=None, columns=None, aggfunc=‘mean’,fill...
pandas pivot_table ratio filter
最新发布
03-31
However, here is some general information on using filters in a pandas pivot_table: In a pandas pivot_table, you can use the "values" parameter to specify the column(s) to be aggregated, and the ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值