pandas.DataFrame.pivot_table#
- DataFrame.pivot_table(values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All', observed=_NoDefault.no_default, sort=True)[源代码]#
创建电子表格风格的透视表作为 DataFrame。
透视表中的级别将存储在结果 DataFrame 的索引和列上的 MultiIndex 对象（分层索引）中。
- Parameters:
- values类似列表或标量，可选
要聚合的列或列。
- index列、Grouper、数组或上述列表
用于对透视表索引进行分组的键。如果传递列表，它可以包含任何其他类型（列表除外）。如果传递数组，它必须与数据长度相同，并将以与列值相同的方式使用。
- columns列、Grouper、数组或上述列表
用于对透视表列进行分组的键。如果传递列表，它可以包含任何其他类型（列表除外）。如果传递数组，它必须与数据长度相同，并将以与列值相同的方式使用。
- aggfunc函数、函数列表、字典，默认值为 “mean”
如果传递函数列表，则生成的透视表将具有分层列，其顶层是函数名称（从函数对象本身推断）。如果传递字典，键是需要聚合的列，值是函数或函数列表。如果设置了
margin=True，则 aggfunc 将用于计算部分聚合。- fill_value标量，默认为 None
用于替换缺失值的值（在生成的透视表中，聚合后）。
- marginsbool，默认 False
如果
margins=True，将添加特殊的All列和行，其中包含行和列上各类别之间的部分组聚合。- dropnabool, default True
不要包含条目全部为 NaN 的列。如果为 True，则在计算边距之前将省略在任何列中具有 NaN 值的行。
- margins_name字符串，默认值为 ‘All’
当 margins 为 True 时，包含总计的行/列的名称。
- observedbool，默认 False
这仅在任何分组器是 Categorical 时才适用。如果为 True：仅为分类分组器显示观察到的值。如果为 False：为分类分组器显示所有值。
自 2.2.0 版本弃用:
False的默认值已弃用，将在 pandas 的未来版本中更改为True。- sortbool, default True
指定结果是否应排序。
在 1.3.0 版本加入.
- Returns:
- DataFrame
类似 Excel 的透视表。
参见
DataFrame.pivot不带聚合的透视，可以处理非数值数据。
DataFrame.melt将 DataFrame 从宽格式重塑为长格式，并可选择保留标识符。
wide_to_long将宽面板数据转换为长格式。灵活性不如 melt，但更易于使用。
Notes
参考 the user guide 获取更多示例。
Examples
>>> df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo", ... "bar", "bar", "bar", "bar"], ... "B": ["one", "one", "one", "two", "two", ... "one", "one", "two", "two"], ... "C": ["small", "large", "large", "small", ... "small", "large", "small", "small", ... "large"], ... "D": [1, 2, 2, 3, 3, 4, 5, 6, 7], ... "E": [2, 4, 5, 5, 6, 6, 8, 9, 9]}) >>> df A B C D E 0 foo one small 1 2 1 foo one large 2 4 2 foo one large 2 5 3 foo two small 3 5 4 foo two small 3 6 5 bar one large 4 6 6 bar one small 5 8 7 bar two small 6 9 8 bar two large 7 9
第一个示例通过求和来聚合值。
>>> table = pd.pivot_table(df, values='D', index=['A', 'B'], ... columns=['C'], aggfunc="sum") >>> table C large small A B bar one 4.0 5.0 two 7.0 6.0 foo one 4.0 1.0 two NaN 6.0
我们也可以使用 fill_value 参数填充缺失值。
>>> table = pd.pivot_table(df, values='D', index=['A', 'B'], ... columns=['C'], aggfunc="sum", fill_value=0) >>> table C large small A B bar one 4 5 two 7 6 foo one 4 1 two 0 6
下一个示例通过跨多个列取平均值来进行聚合。
>>> table = pd.pivot_table(df, values=['D', 'E'], index=['A', 'C'], ... aggfunc={'D': "mean", 'E': "mean"}) >>> table D E A C bar large 5.500000 7.500000 small 5.500000 8.500000 foo large 2.000000 4.500000 small 2.333333 4.333333
我们也可以为任何给定的值列计算多种类型的聚合。
>>> table = pd.pivot_table(df, values=['D', 'E'], index=['A', 'C'], ... aggfunc={'D': "mean", ... 'E': ["min", "max", "mean"]}) >>> table D E mean max mean min A C bar large 5.500000 9 7.500000 6 small 5.500000 9 8.500000 8 foo large 2.000000 5 4.500000 4 small 2.333333 6 4.333333 2