【Python 数据科学】数据透视和数据输出

最新推荐文章于 2024-04-29 11:24:00 发布

Mercy92

最新推荐文章于 2024-04-29 11:24:00 发布

阅读量618

点赞数 2

分类专栏： # 入门Python数据科学

本文链接：https://blog.csdn.net/weixin_40844116/article/details/97500621

版权

入门Python数据科学专栏收录该内容

15 篇文章 1 订阅

订阅专栏

文章目录

- - 数据透视 df.pivot_table
  - 数据输出 to_csv和to_excel

import pandas as pd
import numpy as np
position=pd.read_csv('DataAnalyst.csv',encoding='gbk')
company=pd.read_csv('company_sql.csv',encoding='gbk')
position.head()

	city	companyFullName	companyId	companyLabelList	companyShortName	companySize	businessZones	firstType	secondType	education	industryField	positionId	positionAdvantage	positionName	positionLables	bottom	top	avg	workYear
0	上海	纽海信息技术(上海)有限公司	8581	['技能培训', '节日礼物', '带薪年假', '岗位晋升']	1号店	2000人以上	['张江']	技术	数据开发	硕士	移动互联网	2537336	知名平台	数据分析师	['分析师', '数据分析', '数据挖掘', '数据']	7	9	8.0	应届毕业生
1	上海	上海点荣金融信息服务有限责任公司	23177	['节日礼物', '带薪年假', '岗位晋升', '扁平管理']	点融网	500-2000人	['五里桥', '打浦桥', '制造局路']	技术	数据开发	本科	金融	2427485	挑战机会,团队好,与大牛合作,工作环境好	数据分析师-CR2017-SH2909	['分析师', '数据分析', '数据挖掘', '数据']	10	15	12.5	应届毕业生
2	上海	上海晶樵网络信息技术有限公司	57561	['技能培训', '绩效奖金', '岗位晋升', '管理规范']	SPD	50-150人	['打浦桥']	设计	数据分析	本科	移动互联网	2511252	时间自由,领导nic	数据分析师	['分析师', '数据分析', '数据']	4	6	5.0	应届毕业生
3	上海	杭州数云信息技术有限公司上海分公司	7502	['绩效奖金', '股票期权', '五险一金', '通讯津贴']	数云	150-500人	['龙华', '上海体育场', '万体馆']	市场与销售	数据分析	本科	企业服务,数据服务	2427530	五险一金绩效奖金带薪年假节日福利	大数据业务分析师【数云校招】	['商业', '分析师', '大数据', '数据']	6	8	7.0	应届毕业生
4	上海	上海银基富力信息技术有限公司	130876	['年底双薪', '通讯津贴', '定期体检', '绩效奖金']	银基富力	15-50人	['上海影城', '新华路', '虹桥']	技术	软件开发	本科	其他	2245819	在大牛下指导	BI开发/数据分析师	['分析师', '数据分析', '数据', 'BI']	2	3	2.5	应届毕业生

数据透视 df.pivot_table

#基本用法
position.pivot_table(index='city',columns='workYear',values='avg')
#默认使用平均数

workYear	1-3年	10年以上	1年以下	3-5年	5-10年	不限	应届毕业生
city
上海	13.704403	35.00	9.343750	19.964392	28.328467	10.395161	7.106061
北京	15.745647	43.75	7.697917	21.680512	27.926941	12.404494	6.864078
南京	9.312500	NaN	3.750000	14.750000	20.900000	8.021739	7.500000
厦门	10.333333	NaN	NaN	13.400000	NaN	11.055556	7.500000
天津	6.000000	NaN	NaN	11.400000	17.500000	7.357143	3.000000
广州	11.011029	NaN	15.000000	14.721649	25.100000	6.947368	4.562500
成都	10.000000	NaN	3.250000	14.670000	18.575000	10.050000	NaN
杭州	12.220859	30.00	6.500000	20.349057	25.172414	14.368421	8.750000
武汉	8.600000	NaN	3.500000	13.722222	16.409091	5.750000	3.500000
深圳	12.960000	26.00	15.250000	19.680905	26.493902	12.180556	8.307692
苏州	11.636364	NaN	NaN	13.800000	24.428571	8.333333	7.500000
西安	8.333333	NaN	NaN	13.307692	18.500000	3.416667	7.500000
长沙	9.722222	NaN	NaN	11.100000	10.500000	6.625000	4.500000

在这里插入图片描述

#多重索引#
position.pivot_table(index=['city','education'],columns='workYear',values='avg')

	workYear	1-3年	10年以上	1年以下	3-5年	5-10年	不限	应届毕业生
city	education
上海	不限	12.666667	40.000000	6.250000	15.416667	18.500000	13.578125	NaN
	博士	12.500000	NaN	NaN	NaN	NaN	20.000000	NaN
	大专	10.790698	NaN	4.500000	17.466667	20.500000	5.541667	4.500000
	本科	14.259657	38.750000	11.090909	20.547170	27.548246	9.757812	6.942308
	硕士	14.477273	22.500000	6.000000	20.800000	41.653846	9.566667	8.250000
北京	不限	14.807692	NaN	9.454545	20.800000	31.571429	13.806452	6.142857
	博士	22.500000	NaN	NaN	27.500000	NaN	NaN	NaN
	大专	9.931624	NaN	6.642857	18.083333	24.347826	9.900000	5.133333
	本科	16.137803	41.041667	7.833333	21.725714	28.011873	12.841667	6.931818
	硕士	19.618421	60.000000	4.000000	25.180000	28.775862	11.740000	8.633333
南京	不限	6.500000	NaN	NaN	NaN	16.000000	3.000000	NaN
	大专	9.875000	NaN	NaN	14.000000	NaN	4.333333	7.500000
	本科	9.500000	NaN	3.750000	14.600000	22.125000	8.038462	7.500000
	硕士	NaN	NaN	NaN	20.000000	NaN	12.200000	NaN
厦门	不限	NaN	NaN	NaN	NaN	NaN	12.500000	NaN
	大专	7.900000	NaN	NaN	NaN	NaN	4.000000	NaN
	本科	11.550000	NaN	NaN	13.400000	NaN	11.250000	7.500000
	硕士	NaN	NaN	NaN	NaN	NaN	15.750000	NaN
天津	不限	NaN	NaN	NaN	NaN	NaN	3.500000	NaN
	大专	6.000000	NaN	NaN	NaN	NaN	4.000000	NaN
	本科	6.000000	NaN	NaN	11.400000	17.500000	8.800000	3.000000
广州	不限	5.000000	NaN	NaN	13.833333	NaN	8.062500	NaN
	大专	8.440476	NaN	NaN	12.750000	14.000000	5.633333	4.166667
	本科	12.274725	NaN	15.000000	15.493151	26.844828	6.727273	4.800000
	硕士	10.500000	NaN	NaN	8.666667	30.000000	25.000000	NaN
成都	不限	NaN	NaN	3.500000	17.750000	9.500000	9.000000	NaN
	大专	8.083333	NaN	3.000000	13.375000	16.666667	6.000000	NaN
	本科	10.470588	NaN	NaN	14.930556	19.466667	11.750000	NaN
	硕士	5.500000	NaN	NaN	NaN	20.000000	NaN	NaN
杭州	不限	13.055556	NaN	NaN	25.500000	30.000000	16.142857	10.500000
	大专	9.823529	NaN	NaN	18.944444	NaN	8.200000	3.750000
	本科	12.723684	30.000000	6.500000	19.907692	25.000000	14.659091	9.437500
	硕士	15.000000	NaN	NaN	34.166667	25.000000	17.375000	11.500000
武汉	不限	7.750000	NaN	NaN	16.625000	16.500000	3.666667	NaN
	大专	6.833333	NaN	NaN	13.357143	13.833333	1.500000	NaN
	本科	9.066667	NaN	3.500000	13.156250	17.500000	8.833333	3.500000
	硕士	NaN	NaN	NaN	NaN	NaN	7.000000	NaN
深圳	不限	11.500000	22.500000	8.000000	18.000000	21.333333	15.750000	3.500000
	博士	NaN	NaN	NaN	NaN	NaN	NaN	35.000000
	大专	10.625000	21.500000	NaN	14.416667	25.416667	9.323529	4.250000
	本科	13.388393	30.000000	22.500000	20.436747	27.100000	12.681818	8.800000
	硕士	19.500000	NaN	NaN	21.200000	25.000000	13.928571	NaN
苏州	大专	10.000000	NaN	NaN	14.333333	20.000000	NaN	NaN
	本科	11.875000	NaN	NaN	13.666667	24.700000	8.333333	7.500000
	硕士	11.500000	NaN	NaN	NaN	27.500000	NaN	NaN
西安	不限	11.500000	NaN	NaN	NaN	NaN	2.500000	NaN
	大专	5.500000	NaN	NaN	11.250000	13.500000	4.000000	NaN
	本科	9.062500	NaN	NaN	14.222222	19.750000	3.000000	7.500000
	硕士	5.000000	NaN	NaN	NaN	NaN	NaN	NaN
长沙	不限	9.750000	NaN	NaN	7.500000	NaN	6.333333	NaN
	大专	NaN	NaN	NaN	13.500000	NaN	NaN	4.500000
	本科	9.714286	NaN	NaN	12.250000	10.500000	7.500000	NaN
	硕士	NaN	NaN	NaN	9.000000	NaN	NaN	NaN

#聚合参数需要调用np
p=position.pivot_table(index='city',columns='workYear',values='avg',aggfunc=[np.sum,np.mean])
p

	sum							mean
workYear	1-3年	10年以上	1年以下	3-5年	5-10年	不限	应届毕业生	1-3年	10年以上	1年以下	3-5年	5-10年	不限	应届毕业生
city
上海	4358.0	140.0	149.5	6728.0	3881.0	1289.0	234.5	13.704403	35.00	9.343750	19.964392	28.328467	10.395161	7.106061
北京	20800.0	612.5	369.5	34710.5	12232.0	7728.0	707.0	15.745647	43.75	7.697917	21.680512	27.926941	12.404494	6.864078
南京	223.5	NaN	7.5	354.0	104.5	184.5	30.0	9.312500	NaN	3.750000	14.750000	20.900000	8.021739	7.500000
厦门	155.0	NaN	NaN	67.0	NaN	99.5	7.5	10.333333	NaN	NaN	13.400000	NaN	11.055556	7.500000
天津	36.0	NaN	NaN	57.0	17.5	51.5	3.0	6.000000	NaN	NaN	11.400000	17.500000	7.357143	3.000000
广州	1497.5	NaN	15.0	1428.0	878.5	396.0	36.5	11.011029	NaN	15.000000	14.721649	25.100000	6.947368	4.562500
成都	410.0	NaN	6.5	733.5	371.5	201.0	NaN	10.000000	NaN	3.250000	14.670000	18.575000	10.050000	NaN
杭州	1992.0	30.0	13.0	3235.5	730.0	546.0	105.0	12.220859	30.00	6.500000	20.349057	25.172414	14.368421	8.750000
武汉	172.0	NaN	3.5	370.5	180.5	46.0	7.0	8.600000	NaN	3.500000	13.722222	16.409091	5.750000	3.500000
深圳	1944.0	104.0	30.5	3916.5	2172.5	877.0	108.0	12.960000	26.00	15.250000	19.680905	26.493902	12.180556	8.307692
苏州	128.0	NaN	NaN	207.0	171.0	25.0	7.5	11.636364	NaN	NaN	13.800000	24.428571	8.333333	7.500000
西安	200.0	NaN	NaN	173.0	92.5	20.5	15.0	8.333333	NaN	NaN	13.307692	18.500000	3.416667	7.500000
长沙	87.5	NaN	NaN	111.0	10.5	26.5	4.5	9.722222	NaN	NaN	11.100000	10.500000	6.625000	4.500000

type(p)

pandas.core.frame.DataFrame

#p是个透视表属于dataframe，可以切片
p['mean']

workYear	1-3年	10年以上	1年以下	3-5年	5-10年	不限	应届毕业生
city
上海	13.704403	35.00	9.343750	19.964392	28.328467	10.395161	7.106061
北京	15.745647	43.75	7.697917	21.680512	27.926941	12.404494	6.864078
南京	9.312500	NaN	3.750000	14.750000	20.900000	8.021739	7.500000
厦门	10.333333	NaN	NaN	13.400000	NaN	11.055556	7.500000
天津	6.000000	NaN	NaN	11.400000	17.500000	7.357143	3.000000
广州	11.011029	NaN	15.000000	14.721649	25.100000	6.947368	4.562500
成都	10.000000	NaN	3.250000	14.670000	18.575000	10.050000	NaN
杭州	12.220859	30.00	6.500000	20.349057	25.172414	14.368421	8.750000
武汉	8.600000	NaN	3.500000	13.722222	16.409091	5.750000	3.500000
深圳	12.960000	26.00	15.250000	19.680905	26.493902	12.180556	8.307692
苏州	11.636364	NaN	NaN	13.800000	24.428571	8.333333	7.500000
西安	8.333333	NaN	NaN	13.307692	18.500000	3.416667	7.500000
长沙	9.722222	NaN	NaN	11.100000	10.500000	6.625000	4.500000

p['mean']['3-5年'].loc['上海']

19.96439169139466

#margins汇总求和
position.pivot_table(index='city',columns='workYear',values='avg',margins='True')
#默认aggfunc使用平均数   此时margins会在底端根据aggfunc的设置汇总

workYear	1-3年	10年以上	1年以下	3-5年	5-10年	不限	应届毕业生	All
city
上海	13.704403	35.000000	9.343750	19.964392	28.328467	10.395161	7.106061	17.316821
北京	15.745647	43.750000	7.697917	21.680512	27.926941	12.404494	6.864078	18.601615
南京	9.312500	NaN	3.750000	14.750000	20.900000	8.021739	7.500000	11.024390
厦门	10.333333	NaN	NaN	13.400000	NaN	11.055556	7.500000	10.966667
天津	6.000000	NaN	NaN	11.400000	17.500000	7.357143	3.000000	8.250000
广州	11.011029	NaN	15.000000	14.721649	25.100000	6.947368	4.562500	12.729042
成都	10.000000	NaN	3.250000	14.670000	18.575000	10.050000	NaN	12.951128
杭州	12.220859	30.000000	6.500000	20.349057	25.172414	14.368421	8.750000	16.464109
武汉	8.600000	NaN	3.500000	13.722222	16.409091	5.750000	3.500000	11.297101
深圳	12.960000	26.000000	15.250000	19.680905	26.493902	12.180556	8.307692	17.533525
苏州	11.636364	NaN	NaN	13.800000	24.428571	8.333333	7.500000	14.554054
西安	8.333333	NaN	NaN	13.307692	18.500000	3.416667	7.500000	10.020000
长沙	9.722222	NaN	NaN	11.100000	10.500000	6.625000	4.500000	9.600000
All	14.300045	38.543478	8.040541	20.492329	27.032425	11.559859	6.991713	17.466584

#也可以设置多个聚合方法，用列表包括，这些方法会对values里面每个值都使用
position.pivot_table(index=['city','education'],
                     columns='workYear',
                     values=['avg','top'],
                     aggfunc=[np.mean,np.count_nonzero])

		mean										...	count_nonzero
		avg							top			...	avg			top
	workYear	1-3年	10年以上	1年以下	3-5年	5-10年	不限	应届毕业生	1-3年	10年以上	1年以下	...	5-10年	不限	应届毕业生	1-3年	10年以上	1年以下	3-5年	5-10年	不限	应届毕业生
city	education
上海	不限	12.666667	40.000000	6.250000	15.416667	18.500000	13.578125	NaN	15.944444	50.0	7.500000	...	3.0	32.0	NaN	18.0	1.0	2.0	12.0	3.0	32.0	NaN
	博士	12.500000	NaN	NaN	NaN	NaN	20.000000	NaN	16.000000	NaN	NaN	...	NaN	1.0	NaN	2.0	NaN	NaN	NaN	NaN	1.0	NaN
	大专	10.790698	NaN	4.500000	17.466667	20.500000	5.541667	4.500000	13.581395	NaN	5.500000	...	7.0	12.0	1.0	43.0	NaN	2.0	45.0	7.0	12.0	1.0
	本科	14.259657	38.750000	11.090909	20.547170	27.548246	9.757812	6.942308	17.987124	45.0	14.181818	...	114.0	64.0	26.0	233.0	2.0	11.0	265.0	114.0	64.0	26.0
	硕士	14.477273	22.500000	6.000000	20.800000	41.653846	9.566667	8.250000	18.500000	30.0	7.000000	...	13.0	15.0	6.0	22.0	1.0	1.0	15.0	13.0	15.0	6.0
北京	不限	14.807692	NaN	9.454545	20.800000	31.571429	13.806452	6.142857	18.769231	NaN	12.090909	...	7.0	93.0	7.0	52.0	NaN	11.0	40.0	7.0	93.0	7.0
	博士	22.500000	NaN	NaN	27.500000	NaN	NaN	NaN	30.000000	NaN	NaN	...	NaN	NaN	NaN	2.0	NaN	NaN	2.0	NaN	NaN	NaN
	大专	9.931624	NaN	6.642857	18.083333	24.347826	9.900000	5.133333	12.478632	NaN	8.571429	...	23.0	95.0	15.0	117.0	NaN	14.0	84.0	23.0	95.0	15.0
	本科	16.137803	41.041667	7.833333	21.725714	28.011873	12.841667	6.931818	20.667598	50.0	9.666667	...	379.0	360.0	66.0	1074.0	12.0	21.0	1400.0	379.0	360.0	66.0
	硕士	19.618421	60.000000	4.000000	25.180000	28.775862	11.740000	8.633333	25.184211	70.0	5.000000	...	29.0	75.0	15.0	76.0	2.0	2.0	75.0	29.0	75.0	15.0
南京	不限	6.500000	NaN	NaN	NaN	16.000000	3.000000	NaN	8.500000	NaN	NaN	...	1.0	2.0	NaN	2.0	NaN	NaN	NaN	1.0	2.0	NaN
	大专	9.875000	NaN	NaN	14.000000	NaN	4.333333	7.500000	12.000000	NaN	NaN	...	NaN	3.0	1.0	4.0	NaN	NaN	3.0	NaN	3.0	1.0
	本科	9.500000	NaN	3.750000	14.600000	22.125000	8.038462	7.500000	11.888889	NaN	5.000000	...	4.0	13.0	3.0	18.0	NaN	2.0	20.0	4.0	13.0	3.0
	硕士	NaN	NaN	NaN	20.000000	NaN	12.200000	NaN	NaN	NaN	NaN	...	NaN	5.0	NaN	NaN	NaN	NaN	1.0	NaN	5.0	NaN
厦门	不限	NaN	NaN	NaN	NaN	NaN	12.500000	NaN	NaN	NaN	NaN	...	NaN	3.0	NaN	NaN	NaN	NaN	NaN	NaN	3.0	NaN
	大专	7.900000	NaN	NaN	NaN	NaN	4.000000	NaN	10.400000	NaN	NaN	...	NaN	2.0	NaN	5.0	NaN	NaN	NaN	NaN	2.0	NaN
	本科	11.550000	NaN	NaN	13.400000	NaN	11.250000	7.500000	14.700000	NaN	NaN	...	NaN	2.0	1.0	10.0	NaN	NaN	5.0	NaN	2.0	1.0
	硕士	NaN	NaN	NaN	NaN	NaN	15.750000	NaN	NaN	NaN	NaN	...	NaN	2.0	NaN	NaN	NaN	NaN	NaN	NaN	2.0	NaN
天津	不限	NaN	NaN	NaN	NaN	NaN	3.500000	NaN	NaN	NaN	NaN	...	NaN	1.0	NaN	NaN	NaN	NaN	NaN	NaN	1.0	NaN
	大专	6.000000	NaN	NaN	NaN	NaN	4.000000	NaN	7.333333	NaN	NaN	...	NaN	1.0	NaN	3.0	NaN	NaN	NaN	NaN	1.0	NaN
	本科	6.000000	NaN	NaN	11.400000	17.500000	8.800000	3.000000	7.333333	NaN	NaN	...	1.0	5.0	1.0	3.0	NaN	NaN	5.0	1.0	5.0	1.0
广州	不限	5.000000	NaN	NaN	13.833333	NaN	8.062500	NaN	6.000000	NaN	NaN	...	NaN	8.0	NaN	1.0	NaN	NaN	3.0	NaN	8.0	NaN
	大专	8.440476	NaN	NaN	12.750000	14.000000	5.633333	4.166667	10.523810	NaN	NaN	...	5.0	15.0	3.0	42.0	NaN	NaN	18.0	5.0	15.0	3.0
	本科	12.274725	NaN	15.000000	15.493151	26.844828	6.727273	4.800000	15.637363	NaN	20.000000	...	29.0	33.0	5.0	91.0	NaN	1.0	73.0	29.0	33.0	5.0
	硕士	10.500000	NaN	NaN	8.666667	30.000000	25.000000	NaN	13.000000	NaN	NaN	...	1.0	1.0	NaN	2.0	NaN	NaN	3.0	1.0	1.0	NaN
成都	不限	NaN	NaN	3.500000	17.750000	9.500000	9.000000	NaN	NaN	NaN	4.000000	...	1.0	4.0	NaN	NaN	NaN	1.0	2.0	1.0	4.0	NaN
	大专	8.083333	NaN	3.000000	13.375000	16.666667	6.000000	NaN	10.333333	NaN	4.000000	...	3.0	4.0	NaN	6.0	NaN	1.0	12.0	3.0	4.0	NaN
	本科	10.470588	NaN	NaN	14.930556	19.466667	11.750000	NaN	13.352941	NaN	NaN	...	15.0	12.0	NaN	34.0	NaN	NaN	36.0	15.0	12.0	NaN
	硕士	5.500000	NaN	NaN	NaN	20.000000	NaN	NaN	7.000000	NaN	NaN	...	1.0	NaN	NaN	1.0	NaN	NaN	NaN	1.0	NaN	NaN
杭州	不限	13.055556	NaN	NaN	25.500000	30.000000	16.142857	10.500000	16.888889	NaN	NaN	...	1.0	7.0	1.0	9.0	NaN	NaN	8.0	1.0	7.0	1.0
	大专	9.823529	NaN	NaN	18.944444	NaN	8.200000	3.750000	12.382353	NaN	NaN	...	NaN	5.0	2.0	34.0	NaN	NaN	18.0	NaN	5.0	2.0
	本科	12.723684	30.000000	6.500000	19.907692	25.000000	14.659091	9.437500	16.333333	40.0	8.000000	...	24.0	22.0	8.0	114.0	1.0	2.0	130.0	24.0	22.0	8.0
	硕士	15.000000	NaN	NaN	34.166667	25.000000	17.375000	11.500000	19.166667	NaN	NaN	...	4.0	4.0	1.0	6.0	NaN	NaN	3.0	4.0	4.0	1.0
武汉	不限	7.750000	NaN	NaN	16.625000	16.500000	3.666667	NaN	10.000000	NaN	NaN	...	1.0	3.0	NaN	2.0	NaN	NaN	4.0	1.0	3.0	NaN
	大专	6.833333	NaN	NaN	13.357143	13.833333	1.500000	NaN	9.000000	NaN	NaN	...	3.0	1.0	NaN	3.0	NaN	NaN	7.0	3.0	1.0	NaN
	本科	9.066667	NaN	3.500000	13.156250	17.500000	8.833333	3.500000	11.800000	NaN	4.000000	...	7.0	3.0	2.0	15.0	NaN	1.0	16.0	7.0	3.0	2.0
	硕士	NaN	NaN	NaN	NaN	NaN	7.000000	NaN	NaN	NaN	NaN	...	NaN	1.0	NaN	NaN	NaN	NaN	NaN	NaN	1.0	NaN
深圳	不限	11.500000	22.500000	8.000000	18.000000	21.333333	15.750000	3.500000	13.833333	30.0	10.000000	...	3.0	4.0	1.0	6.0	1.0	1.0	4.0	3.0	4.0	1.0
	博士	NaN	NaN	NaN	NaN	NaN	NaN	35.000000	NaN	NaN	NaN	...	NaN	NaN	1.0	NaN	NaN	NaN	NaN	NaN	NaN	1.0
	大专	10.625000	21.500000	NaN	14.416667	25.416667	9.323529	4.250000	13.428571	25.0	NaN	...	18.0	17.0	6.0	28.0	1.0	NaN	24.0	18.0	17.0	6.0
	本科	13.388393	30.000000	22.500000	20.436747	27.100000	12.681818	8.800000	17.125000	37.5	30.000000	...	60.0	44.0	5.0	112.0	2.0	1.0	166.0	60.0	44.0	5.0
	硕士	19.500000	NaN	NaN	21.200000	25.000000	13.928571	NaN	26.000000	NaN	NaN	...	1.0	7.0	NaN	4.0	NaN	NaN	5.0	1.0	7.0	NaN
苏州	大专	10.000000	NaN	NaN	14.333333	20.000000	NaN	NaN	13.000000	NaN	NaN	...	1.0	NaN	NaN	1.0	NaN	NaN	3.0	1.0	NaN	NaN
	本科	11.875000	NaN	NaN	13.666667	24.700000	8.333333	7.500000	14.875000	NaN	NaN	...	5.0	3.0	1.0	8.0	NaN	NaN	12.0	5.0	3.0	1.0
	硕士	11.500000	NaN	NaN	NaN	27.500000	NaN	NaN	15.000000	NaN	NaN	...	1.0	NaN	NaN	2.0	NaN	NaN	NaN	1.0	NaN	NaN
西安	不限	11.500000	NaN	NaN	NaN	NaN	2.500000	NaN	15.000000	NaN	NaN	...	NaN	1.0	NaN	2.0	NaN	NaN	NaN	NaN	1.0	NaN
	大专	5.500000	NaN	NaN	11.250000	13.500000	4.000000	NaN	7.000000	NaN	NaN	...	1.0	3.0	NaN	4.0	NaN	NaN	4.0	1.0	3.0	NaN
	本科	9.062500	NaN	NaN	14.222222	19.750000	3.000000	7.500000	11.750000	NaN	NaN	...	4.0	2.0	2.0	16.0	NaN	NaN	9.0	4.0	2.0	2.0
	硕士	5.000000	NaN	NaN	NaN	NaN	NaN	NaN	6.000000	NaN	NaN	...	NaN	NaN	NaN	2.0	NaN	NaN	NaN	NaN	NaN	NaN
长沙	不限	9.750000	NaN	NaN	7.500000	NaN	6.333333	NaN	11.500000	NaN	NaN	...	NaN	3.0	NaN	2.0	NaN	NaN	2.0	NaN	3.0	NaN
	大专	NaN	NaN	NaN	13.500000	NaN	NaN	4.500000	NaN	NaN	NaN	...	NaN	NaN	1.0	NaN	NaN	NaN	1.0	NaN	NaN	1.0
	本科	9.714286	NaN	NaN	12.250000	10.500000	7.500000	NaN	12.571429	NaN	NaN	...	1.0	1.0	NaN	7.0	NaN	NaN	6.0	1.0	1.0	NaN
	硕士	NaN	NaN	NaN	9.000000	NaN	NaN	NaN	NaN	NaN	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	1.0	NaN	NaN	NaN

53 rows × 28 columns

#将汇总方法由列表改成字典，就会与values对应
position.pivot_table(index=['city','education'],
                     columns='workYear',
                     values=['avg','top'],
                     aggfunc={'avg':np.mean,'top':len})

		avg							top
	workYear	1-3年	10年以上	1年以下	3-5年	5-10年	不限	应届毕业生	1-3年	10年以上	1年以下	3-5年	5-10年	不限	应届毕业生
city	education
上海	不限	12.666667	40.000000	6.250000	15.416667	18.500000	13.578125	NaN	18.0	1.0	2.0	12.0	3.0	32.0	NaN
	博士	12.500000	NaN	NaN	NaN	NaN	20.000000	NaN	2.0	NaN	NaN	NaN	NaN	1.0	NaN
	大专	10.790698	NaN	4.500000	17.466667	20.500000	5.541667	4.500000	43.0	NaN	2.0	45.0	7.0	12.0	1.0
	本科	14.259657	38.750000	11.090909	20.547170	27.548246	9.757812	6.942308	233.0	2.0	11.0	265.0	114.0	64.0	26.0
	硕士	14.477273	22.500000	6.000000	20.800000	41.653846	9.566667	8.250000	22.0	1.0	1.0	15.0	13.0	15.0	6.0
北京	不限	14.807692	NaN	9.454545	20.800000	31.571429	13.806452	6.142857	52.0	NaN	11.0	40.0	7.0	93.0	7.0
	博士	22.500000	NaN	NaN	27.500000	NaN	NaN	NaN	2.0	NaN	NaN	2.0	NaN	NaN	NaN
	大专	9.931624	NaN	6.642857	18.083333	24.347826	9.900000	5.133333	117.0	NaN	14.0	84.0	23.0	95.0	15.0
	本科	16.137803	41.041667	7.833333	21.725714	28.011873	12.841667	6.931818	1074.0	12.0	21.0	1400.0	379.0	360.0	66.0
	硕士	19.618421	60.000000	4.000000	25.180000	28.775862	11.740000	8.633333	76.0	2.0	2.0	75.0	29.0	75.0	15.0
南京	不限	6.500000	NaN	NaN	NaN	16.000000	3.000000	NaN	2.0	NaN	NaN	NaN	1.0	2.0	NaN
	大专	9.875000	NaN	NaN	14.000000	NaN	4.333333	7.500000	4.0	NaN	NaN	3.0	NaN	3.0	1.0
	本科	9.500000	NaN	3.750000	14.600000	22.125000	8.038462	7.500000	18.0	NaN	2.0	20.0	4.0	13.0	3.0
	硕士	NaN	NaN	NaN	20.000000	NaN	12.200000	NaN	NaN	NaN	NaN	1.0	NaN	5.0	NaN
厦门	不限	NaN	NaN	NaN	NaN	NaN	12.500000	NaN	NaN	NaN	NaN	NaN	NaN	3.0	NaN
	大专	7.900000	NaN	NaN	NaN	NaN	4.000000	NaN	5.0	NaN	NaN	NaN	NaN	2.0	NaN
	本科	11.550000	NaN	NaN	13.400000	NaN	11.250000	7.500000	10.0	NaN	NaN	5.0	NaN	2.0	1.0
	硕士	NaN	NaN	NaN	NaN	NaN	15.750000	NaN	NaN	NaN	NaN	NaN	NaN	2.0	NaN
天津	不限	NaN	NaN	NaN	NaN	NaN	3.500000	NaN	NaN	NaN	NaN	NaN	NaN	1.0	NaN
	大专	6.000000	NaN	NaN	NaN	NaN	4.000000	NaN	3.0	NaN	NaN	NaN	NaN	1.0	NaN
	本科	6.000000	NaN	NaN	11.400000	17.500000	8.800000	3.000000	3.0	NaN	NaN	5.0	1.0	5.0	1.0
广州	不限	5.000000	NaN	NaN	13.833333	NaN	8.062500	NaN	1.0	NaN	NaN	3.0	NaN	8.0	NaN
	大专	8.440476	NaN	NaN	12.750000	14.000000	5.633333	4.166667	42.0	NaN	NaN	18.0	5.0	15.0	3.0
	本科	12.274725	NaN	15.000000	15.493151	26.844828	6.727273	4.800000	91.0	NaN	1.0	73.0	29.0	33.0	5.0
	硕士	10.500000	NaN	NaN	8.666667	30.000000	25.000000	NaN	2.0	NaN	NaN	3.0	1.0	1.0	NaN
成都	不限	NaN	NaN	3.500000	17.750000	9.500000	9.000000	NaN	NaN	NaN	1.0	2.0	1.0	4.0	NaN
	大专	8.083333	NaN	3.000000	13.375000	16.666667	6.000000	NaN	6.0	NaN	1.0	12.0	3.0	4.0	NaN
	本科	10.470588	NaN	NaN	14.930556	19.466667	11.750000	NaN	34.0	NaN	NaN	36.0	15.0	12.0	NaN
	硕士	5.500000	NaN	NaN	NaN	20.000000	NaN	NaN	1.0	NaN	NaN	NaN	1.0	NaN	NaN
杭州	不限	13.055556	NaN	NaN	25.500000	30.000000	16.142857	10.500000	9.0	NaN	NaN	8.0	1.0	7.0	1.0
	大专	9.823529	NaN	NaN	18.944444	NaN	8.200000	3.750000	34.0	NaN	NaN	18.0	NaN	5.0	2.0
	本科	12.723684	30.000000	6.500000	19.907692	25.000000	14.659091	9.437500	114.0	1.0	2.0	130.0	24.0	22.0	8.0
	硕士	15.000000	NaN	NaN	34.166667	25.000000	17.375000	11.500000	6.0	NaN	NaN	3.0	4.0	4.0	1.0
武汉	不限	7.750000	NaN	NaN	16.625000	16.500000	3.666667	NaN	2.0	NaN	NaN	4.0	1.0	3.0	NaN
	大专	6.833333	NaN	NaN	13.357143	13.833333	1.500000	NaN	3.0	NaN	NaN	7.0	3.0	1.0	NaN
	本科	9.066667	NaN	3.500000	13.156250	17.500000	8.833333	3.500000	15.0	NaN	1.0	16.0	7.0	3.0	2.0
	硕士	NaN	NaN	NaN	NaN	NaN	7.000000	NaN	NaN	NaN	NaN	NaN	NaN	1.0	NaN
深圳	不限	11.500000	22.500000	8.000000	18.000000	21.333333	15.750000	3.500000	6.0	1.0	1.0	4.0	3.0	4.0	1.0
	博士	NaN	NaN	NaN	NaN	NaN	NaN	35.000000	NaN	NaN	NaN	NaN	NaN	NaN	1.0
	大专	10.625000	21.500000	NaN	14.416667	25.416667	9.323529	4.250000	28.0	1.0	NaN	24.0	18.0	17.0	6.0
	本科	13.388393	30.000000	22.500000	20.436747	27.100000	12.681818	8.800000	112.0	2.0	1.0	166.0	60.0	44.0	5.0
	硕士	19.500000	NaN	NaN	21.200000	25.000000	13.928571	NaN	4.0	NaN	NaN	5.0	1.0	7.0	NaN
苏州	大专	10.000000	NaN	NaN	14.333333	20.000000	NaN	NaN	1.0	NaN	NaN	3.0	1.0	NaN	NaN
	本科	11.875000	NaN	NaN	13.666667	24.700000	8.333333	7.500000	8.0	NaN	NaN	12.0	5.0	3.0	1.0
	硕士	11.500000	NaN	NaN	NaN	27.500000	NaN	NaN	2.0	NaN	NaN	NaN	1.0	NaN	NaN
西安	不限	11.500000	NaN	NaN	NaN	NaN	2.500000	NaN	2.0	NaN	NaN	NaN	NaN	1.0	NaN
	大专	5.500000	NaN	NaN	11.250000	13.500000	4.000000	NaN	4.0	NaN	NaN	4.0	1.0	3.0	NaN
	本科	9.062500	NaN	NaN	14.222222	19.750000	3.000000	7.500000	16.0	NaN	NaN	9.0	4.0	2.0	2.0
	硕士	5.000000	NaN	NaN	NaN	NaN	NaN	NaN	2.0	NaN	NaN	NaN	NaN	NaN	NaN
长沙	不限	9.750000	NaN	NaN	7.500000	NaN	6.333333	NaN	2.0	NaN	NaN	2.0	NaN	3.0	NaN
	大专	NaN	NaN	NaN	13.500000	NaN	NaN	4.500000	NaN	NaN	NaN	1.0	NaN	NaN	1.0
	本科	9.714286	NaN	NaN	12.250000	10.500000	7.500000	NaN	7.0	NaN	NaN	6.0	1.0	1.0	NaN
	硕士	NaN	NaN	NaN	9.000000	NaN	NaN	NaN	NaN	NaN	NaN	1.0	NaN	NaN	NaN

数据输出 to_csv和to_excel

p.reset_index().to_csv('p.csv',encoding='gbk')

help(pd.DataFrame.to_csv)

Help on function to_csv in module pandas.core.frame:

to_csv(self, path_or_buf=None, sep=',', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, mode='w', encoding=None, compression=None, quoting=None, quotechar='"', line_terminator='\n', chunksize=None, tupleize_cols=None, date_format=None, doublequote=True, escapechar=None, decimal='.')
    Write DataFrame to a comma-separated values (csv) file
    
    Parameters
    ----------
    path_or_buf : string or file handle, default None
        File path or object, if None is provided the result is returned as
        a string.
    sep : character, default ','
        Field delimiter for the output file.
    na_rep : string, default ''
        Missing data representation
    float_format : string, default None
        Format string for floating point numbers
    columns : sequence, optional
        Columns to write
    header : boolean or list of string, default True
        Write out the column names. If a list of strings is given it is
        assumed to be aliases for the column names
    index : boolean, default True
        Write row names (index)
    index_label : string or sequence, or False, default None
        Column label for index column(s) if desired. If None is given, and
        `header` and `index` are True, then the index names are used. A
        sequence should be given if the DataFrame uses MultiIndex.  If
        False do not print fields for index names. Use index_label=False
        for easier importing in R
    mode : str
        Python write mode, default 'w'
    encoding : string, optional
        A string representing the encoding to use in the output file,
        defaults to 'ascii' on Python 2 and 'utf-8' on Python 3.
    compression : string, optional
        A string representing the compression to use in the output file.
        Allowed values are 'gzip', 'bz2', 'zip', 'xz'. This input is only
        used when the first argument is a filename.
    line_terminator : string, default ``'\n'``
        The newline character or character sequence to use in the output
        file
    quoting : optional constant from csv module
        defaults to csv.QUOTE_MINIMAL. If you have set a `float_format`
        then floats are converted to strings and thus csv.QUOTE_NONNUMERIC
        will treat them as non-numeric
    quotechar : string (length 1), default '\"'
        character used to quote fields
    doublequote : boolean, default True
        Control quoting of `quotechar` inside a field
    escapechar : string (length 1), default None
        character used to escape `sep` and `quotechar` when appropriate
    chunksize : int or None
        rows to write at a time
    tupleize_cols : boolean, default False
        .. deprecated:: 0.21.0
           This argument will be removed and will always write each row
           of the multi-index as a separate row in the CSV file.
    
        Write MultiIndex columns as a list of tuples (if True) or in
        the new, expanded format, where each MultiIndex column is a row
        in the CSV (if False).
    date_format : string, default None
        Format string for datetime objects
    decimal: string, default '.'
        Character recognized as decimal separator. E.g. use ',' for
        European data

p.reset_index().to_excel('p.xlsx',encoding='gbk')

Mercy92

关注

2
点赞
踩
7

收藏

觉得还不错? 一键收藏
0
评论
【Python 数据科学】数据透视和数据输出

文章目录数据透视 df.pivot_table数据输出 to_csv和to_excelimport pandas as pdimport numpy as npposition=pd.read_csv('DataAnalyst.csv',encoding='gbk')company=pd.read_csv('company_sql.csv',encoding='gbk')position...
复制链接

扫一扫