数据派THU

发布清华大学数据科学相关科研动态、教学成果及线下活动

手把手教你用Pandas透视表处理数据(附学习资料)

640?wx_fmt=png&wxfrom=5&wx_lazy=1

来源:伯乐在线 -  PyPer 

本文共2203字,建议阅读5分钟。
本文重点解释pandas中的函数pivot_table,并教大家如何使用它来进行数据分析。


介绍


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,维基百科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PivotTable。


作为一个额外的福利,我创建了一个总结pivot_table的简单备忘单。你可以在本文的最后找到它,我希望它能够对你有所帮助。如果它帮到了你,请告诉我。


数据


使用pandas中pivot_table的一个挑战是,你需要确保你理解你的数据,并清楚地知道你想通过透视表解决什么问题。其实,虽然pivot_table看起来只是一个简单的函数,但是它能够快速地对数据进行强大的分析。


在本文中,我将会跟踪一个销售渠道(也称为漏斗)。基本的问题是,一些销售周期很长(可以想一下“企业软件”、“资本设备”等),而管理者想更详细地了解它一整年的情况。


典型的问题包括:


  • 本渠道收入是多少?

  • 渠道的产品是什么?

  • 谁在什么阶段有什么产品?

  • 我们年底前结束交易的可能性有多大?


很多公司将会使用CRM工具或者其他销售使用的软件来跟踪此过程。虽然他们可能拥有有效的工具对数据进行分析,但肯定有人需要将数据导出到Excel,并使用

一个透视表工具来总结这些数据。


使用Pandas透视表将是一个不错的选择,应为它有以下优点:


  • 更快(一旦设置之后)

  • 自行说明(通过查看代码,你将知道它做了什么)

  • 易于生成报告或电子邮件

  • 更灵活,因为你可以定义定制的聚合函数


Read in the data


首先,让我们搭建所需的环境。


如果你想跟随我继续下去,那么可以下载这个Excel文件。


import pandas as pd

import numpy as np


版本提醒


因为Pivot_table API已经随着时间有所改变,所以为了使本文中示例代码能够正常工作,请确保你安装了最近版本的Pandas(>0.15)。本文示例还用到了category数据类型,而它也需要确保是最近版本。


首先,将我们销售渠道的数据读入到数据帧中。


df = pd.read_excel("../in/sales-funnel.xlsx")

df.head()


640?wx_fmt=jpeg


为方便起见,我们将上表中“Status”列定义为category,并按我们想要的查看方式设置顺序。


其实,并不严格要求这样做,但这样做能够在分析数据的整个过程中,帮助我们保持所想要的顺序。


df["Status"] = df["Status"].astype("category")

df["Status"].cat.set_categories(["won","pending","presented","declined"],inplace=True)


处理数据


既然我们建立数据透视表,我觉得最容易的方法就是一步一个脚印地进行。添加项目和检查每一步来验证你正一步一步得到期望的结果。为了查看什么样的外观最能满足你的需要,就不要害怕处理顺序和变量的繁琐。


最简单的透视表必须有一个数据帧和一个索引。在本例中,我们将使用“Name(名字)”列作为我们的索引。


pd.pivot_table(df,index=["Name"])


640?wx_fmt=jpeg


此外,你也可以有多个索引。实际上,大多数的pivot_table参数可以通过列表获取多个值。


pd.pivot_table(df,index=["Name","Rep","Manager"])


640?wx_fmt=jpeg


这样很有趣但并不是特别有用。我们可能想做的是通过将“Manager”和“Rep”设置为索引来查看结果。


要实现它其实很简单,只需要改变索引就可以。


pd.pivot_table(df,index=["Manager","Rep"])


640?wx_fmt=jpeg


可以看到,透视表比较智能,它已经开始通过将“Rep”列和“Manager”列进行对应分组,来实现数据聚合和总结。那么现在,就让我们共同看一下数据透视表可以为我们做些什么吧。


为此,“Account”和“Quantity”列对于我们来说并没什么用。所以,通过利用“values”域显式地定义我们关心的列,就可以实现移除那些不关心的列。


pd.pivot_table(df,index=["Manager","Rep"],values=["Price"])


640?wx_fmt=jpeg


“Price”列会自动计算数据的平均值,但是我们也可以对该列元素进行计数或求和。要添加这些功能,使用aggfunc和np.sum就很容易实现。


pd.pivot_table(df,index=["Manager","Rep"],values=["Price"],aggfunc=np.sum)


640?wx_fmt=jpeg


aggfunc可以包含很多函数,下面就让我们尝试一种方法,即使用numpy中的函数mean和len来进行计数。


pd.pivot_table(df,index=["Manager","Rep"],values=["Price"],aggfunc=[np.mean,len])


640?wx_fmt=jpeg


如果我们想通过不同产品来分析销售情况,那么变量“columns”将允许我们定义一个或多个列。


列vs.值


我认为pivot_table中一个令人困惑的地方是“columns(列)”和“values(值)”的使用。记住,变量“columns(列)”是可选的,它提供一种额外的方法来分割你所关心的实际值。然而,聚合函数aggfunc最后是被应用到了变量“values”中你所列举的项目上。


pd.pivot_table(df,index=["Manager","Rep"],values=["Price"],

               columns=["Product"],aggfunc=[np.sum])


640?wx_fmt=jpeg


然而,非数值(NaN)有点令人分心。如果想移除它们,我们可以使用“fill_value”将其设置为0。


pd.pivot_table(df,index=["Manager","Rep"],values=["Price"],

               columns=["Product"],aggfunc=[np.sum],fill_value=0)


640?wx_fmt=jpeg


其实,我觉得添加“Quantity”列将对我们有所帮助,所以将“Quantity”添加到“values”列表中。


pd.pivot_table(df,index=["Manager","Rep"],values=["Price","Quantity"],

               columns=["Product"],aggfunc=[np.sum],fill_value=0)


640?wx_fmt=jpeg


pd.pivot_table(df,index=["Manager","Rep","Product"],

               values=["Price","Quantity"],aggfunc=[np.sum],fill_value=0)


640?wx_fmt=jpeg


对于这个数据集,这种显示方式看起来更有意义。不过,如果我想查看一些总和数呢?“margins=True”就可以为我们实现这种功能。


pd.pivot_table(df,index=["Manager","Rep","Product"],

               values=["Price","Quantity"],

               aggfunc=[np.sum,np.mean],fill_value=0,margins=True)


640?wx_fmt=jpeg


下面,让我们以更高的管理者角度来分析此渠道。根据我们前面对category的定义,注意现在“Status”是如何排序的。


pd.pivot_table(df,index=["Manager","Status"],values=["Price"],

               aggfunc=[np.sum],fill_value=0,margins=True)


640?wx_fmt=jpeg


一个很方便的特性是,为了对你选择的不同值执行不同的函数,你可以向aggfunc传递一个字典。不过,这样做有一个副作用,那就是必须将标签做的更加简洁才行。


pd.pivot_table(df,index=["Manager","Status"],columns=["Product"],values=["Quantity","Price"],

               aggfunc={"Quantity":len,"Price":np.sum},fill_value=0)


640?wx_fmt=jpeg


此外,你也可以提供一系列的聚合函数,并将它们应用到“values”中的每个元素上。


table = pd.pivot_table(df,index=["Manager","Status"],columns=["Product"],values=["Quantity","Price"],

               aggfunc={"Quantity":len,"Price":[np.sum,np.mean]},fill_value=0)

table


640?wx_fmt=jpeg


也许,同一时间将这些东西全都放在一起会有点令人望而生畏,但是一旦你开始处理这些数据,并一步一步地添加新项目,你将能够领略到它是如何工作的。我一般的经验法则是,一旦你使用多个“grouby”,那么你需要评估此时使用透视表是否是一种好的选择。


高级透视表过滤


一旦你生成了需要的数据,那么数据将存在于数据帧中。所以,你可以使用自定义的标准数据帧函数来对其进行过滤。


如果你只想查看一个管理者(例如Debra Henley)的数据,可以这样:


table.query('Manager == ["Debra Henley"]')


640?wx_fmt=jpeg


我们可以查看所有的暂停(pending)和成功(won)的交易,代码如下所示:


table.query('Status == ["pending","won"]')


这是pivot_table中一个很强大的特性,所以一旦你得到了你所需要的pivot_table格式的数据,就不要忘了此时你就拥有了pandas的强大威力。


640?wx_fmt=jpeg


如果你想将其保存下来作为参考,那么这里提供完整的笔记:http://nbviewer.ipython.org/url/

pbpython.com/extras/Pandas-Pivot-Table-Explained.ipynb


数据下载地址:http://pbpython.com/extras/sales-funnel.xlsx


备忘单


为了试图总结所有这一切,我已经创建了一个备忘单,我希望它能够帮助你记住如何使用pandas的pivot_table。


640?wx_fmt=jpeg


编辑:文婧

0?wx_fmt=jpeg

阅读更多
想对作者说点什么? 我来说一句

没有更多推荐了,返回首页

不良信息举报

手把手教你用Pandas透视表处理数据(附学习资料)

最多只允许输入30个字

加入CSDN,享受更精准的内容推荐,与500万程序员共同成长!
关闭
关闭