利用python/pandas/numpy做数据分析（三）-透视表pivot_table

透视表，根据一个或多个键进行聚合，并根据行列上的分组键将数据分配到各个矩形区域中.

import numpy as np
data=pd.DataFrame(np.arange(6).reshape((2,3)),
                 index=pd.Index(['ohio','color'], name='state'),
                columns=pd.Index(['one','two','three'], name='number')
                            )
data

number	one	two	three
state
ohio	0	1	2
color	3	4	5

前两个参数分别作用于行和列的索引，最后一个参数用于填充dataframe的数据列的列名

data.pivot('one','two')

首先，它会设置一个新的索引（ set_index() ），然后对索引排序（ sort_index() ），最后调用 unstack 。以上的步骤合在一起就是 pivot 。

官方定义：
DataFrame.pivot_table(data, values=None, index=None, columns=None, aggfunc=’mean’, fill_value=None, margins=False, dropna=True, margins_name=’All’)

data: DataFrame对象
values: 显示的列的名字，可以应用aggfunc中的函数
index: 索引
columns: 可选的， 通过额外的方法来分割你所关心的实际值，然而aggfunc被应用到values上, aggfunc默认的是mean

---

下面来看干货：

打开dat表，分别为users, ratings, movies

import pandas as pd
unames=['user_id','gender','age','occupation','zip']
users=pd.read_table('C:\\Users\\ecaoyng\\Desktop\\work space\\Python\\py_for_analysis\\pydata-book-master\\ch02\\movielens\\users.dat',sep='::',header=None,names=unames)
users.head()

合并三个表：

data=pd.merge(pd.merge(ratings, users),movies)
data[:10]

最简单的透视表必须有一个数据帧和一个索引

pd.pivot_table(data, index=['movie_id'])[:10]

当然也可以建两个index

pd.pivot_table(data, index=['movie_id','occupation'])

pd.pivot_table(data, index=['movie_id','occupation'],values=['rating'])

pd.pivot_table(data, index=['movie_id','occupation'],values=['rating'],columns='gender')

可以看出和value的区别了吗？colume的值作为列名了。

之后我们要drop掉NAN的数据,

mean_ratings=mean_ratings.dropna(axis=0)
mean_ratings

其中官方dropna函数为DataFrame.dropna(axis=0, how=’any’, thresh=None, subset=None, inplace=False)，其中axis : {0 or ‘index’, 1 or ‘columns’}, or tuple/list thereof
Pass tuple or list to drop on multiple axes，即axis=0表示删除行，axis=1表示删除列。
当然，也可以通过fillna将缺失值填充为所需要的。

之后我打算过滤掉评论不足250条的记录，其中size（）得到含有各个电影分组大小的serise对象。

ratings_by_title=data.groupby('title').size()
type(ratings_by_title)

active_titles=ratings_by_title.index[ratings_by_title >= 250]
active_titles

得到的active_titles 是索引：

然后可以在mean_ratings中选择我们所需要的行了

mean_ratings.ix[active_titles][:10]

之后可以对female的评价执行降序排列

top_female_ratings=mean_ratings.sort_values(by='F',ascending=False)

为了观察男女差别最大的电影，可以加一列diff

mean_ratings['diff']=mean_ratings['M']-mean_ratings['F']

对diff进行排序

sorted_by_diff=mean_ratings.sort_values(by='diff')

男同志喜爱的电影

sorted_by_diff[::-1][:10]

[::-1] 表示取反

回到小费数据集

tips=pd.read_csv('C:\\Users\\ecaoyng\\Desktop\\work space\\Python\\py_for_analysis_code\\pydata-book-master\\ch08\\tips.csv')
tips[:5]

tips.pivot_table(index=['sex','smoker'])

tips['tip_pct']=tips['tip']/tips['total_bill']
tips[:6]

tips.pivot_table(['tip_pct','size'], index=['sex','day'],columns='smoker')

小技巧，先画出正题框架比如 columns 是列索引名， index是行索引名等

tips.pivot_table(['tip_pct','size'], index=['sex','day'],columns='smoker',margins=True)

tips.pivot_table(['tip_pct'], index=['sex','smoker'],columns='day',margins=True,aggfunc=len)