透视表

参数名 说明
values 待聚合的列的名称。默认聚合所有数值列
index 用于分组的列名或其他分组键,出现在结果透视表的行
columns 用于分组的列表或其他分组键，出现在结果透视表的列
aggfunc 聚合函数或函数列表,默认为'mean',可以是任何对groupby有效的函数
fill_value 用于替换结果表中的缺失值
margins 添加行/列小计和总计,默认为False 
# pivot_table默认聚合分组平均数

tips = pd.read_csv('C:/Users/1/Desktop/tips.csv')

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

                    size	  tip	    total_bill

sex	    smoker

Female	    No	2.592593	2.773519	18.105185

           Yes	2.242424	2.931515	17.977879

Male	    No	2.711340	3.113402	19.791237

           Yes	2.500000	3.051167	22.284500

# 聚合小费的比例和人数的多少，根据天数进行分组

tips['tip_pct'] = tips.tip / tips.total_bill

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

                size	                tip_pct

smoker	          No	   Yes	        No	      Yes

sex	    day

Female	Fri	  2.500000	2.000000	0.165296	0.209129

        Sat	  2.307692	2.200000	0.147993	0.163817

        Sun	  3.071429	2.500000	0.165710	0.237075

        Thur  2.480000	2.428571	0.155971	0.163073

Male	Fri	  2.000000	2.125000	0.138005	0.144730

        Sat	  2.656250	2.629630	0.162132	0.139067

        Sun	  2.883721	2.600000	0.158291	0.173964

        Thur  2.500000	2.300000	0.165706	0.164417

# margins=True，会开启一列ALL的行和列，其值对应于单个等级中所有数据的分组统计。

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

                size	                                  tip_pct

    smoker	  No	       Yes	      All	       No	      Yes	       All

sex	    day

Female	Fri	2.500000	2.000000	2.111111	0.165296	0.209129	0.199388

        Sat	2.307692	2.200000	2.250000	0.147993	0.163817	0.156470

        Sun	3.071429	2.500000	2.944444	0.165710	0.237075	0.181569

        Thur2.480000	2.428571	2.468750	0.155971	0.163073	0.157525

Male	Fri	2.000000	2.125000	2.100000	0.138005	0.144730	0.143385

        Sat	2.656250	2.629630	2.644068	0.162132	0.139067	0.151577

        Sun	2.883721	2.600000	2.810345	0.158291	0.173964	0.162344

        Thur2.500000	2.300000	2.433333	0.165706	0.164417	0.165276

All		    2.668874	2.408602	2.569672	0.159328	0.163196	0.160803

# aggfunc可以直接接受聚合函数，len可以统计分组大小的交叉表

# 根据性别，是否吸烟对每天的人数进行统计

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

day	        Fri	     Sat	Sun	    Thur	All

sex	  smoker

Female	No	 2.0	13.0	14.0	25.0	54.0

        Yes	 7.0	15.0	4.0	    7.0	    33.0

Male	No	 2.0	32.0	43.0	20.0	97.0

        Yes	 8.0	27.0	15.0	10.0	60.0

All		     19.0	87.0	76.0	62.0	244.0

# 如果存在空的组合，可以设置空值fill_value

tips.pivot_table('size',index=['time','sex','smoker'],columns='day',aggfunc='sum',fill_value=0)

         day	     Fri	Sat	 Sun	Thur

time	sex	   smoker

Dinner	Female	No	  2	     30	 43	     2

               Yes	  8	     33	 10	     0

Male	        No	  4	     85	 124	 0

               Yes	  12	 71	 39	     0

Lunch	Female	No	  3	      0	  0	    60

                Yes	  6	      0	  0	    17

        Male	No	  0	      0	  0	    50

                Yes	  5	      0	  0	    23

交叉表: crosstab

是一种用于计算分组频率的特殊透视表
data = [[1,'Female','Right-handed'],

        [2,'Male','Left-handed'],

        [3,'Female','Right-handed'],

        [4,'Male','Right-handed'],

        [5,'Male','Left-handed'],

        [6,'Male','Right-handed'],

        [7,'Female','Right-handed'],

        [8,'Female','Left-handed'],

        [9,'Male','Right-handed'],

        [10,'Female','Right-handed']]

data = pd.DataFrame(data,columns=['Sample','Gender','Handedness'])

# 前两个参数可以是数组、Series或数组列表

# 根据性别和用手习惯对这段数据进行统计汇总

pd.crosstab(data.Gender,data.Handedness,margins=True)

Handedness	Left-handed	Right-handed	All

 Gender

 Female	          1	          4	         5

   Male	          2	          3	         5

   All	          3	          7	        10

# 这是传统的透视表,比较复杂点比交叉表

pd.pivot_table(data,index=['Gender'],columns=['Handedness'],aggfunc=len,margins=True)

             Sample

Handedness	Left-handed	Right-handed	All

Gender

Female	         1	         4	         5

Male	         2	         3 	         5

All	             3	         7	         10

# 根据时间，星期几进行了对每天的是否吸烟人数分组统计

pd.crosstab([tips.time,tips.day],tips.smoker,margins=True)

      smoker	No	  Yes	All

time	day

Dinner	Fri	    3	   9	12

        Sat	    45	  42	87

        Sun	    57	  19	76

        Thur	1	   0	1

Lunch	Fri	    1	   6	7

        Thur	44	  17	61

        All		151	  93	244

Pandas透视表和交叉表的更多相关文章

  1. pandas_使用透视表与交叉表查看业绩汇总数据

    # 使用透视表与交叉表查看业绩汇总数据 import pandas as pd import numpy as np import copy # 设置列对齐 pd.set_option("d ...

  2. 2018.03.29 python-pandas 数据透视pivot table / 交叉表crosstab

    #透视表 pivot table #pd.pivot_table(data,values=None,index=None,columns=None, import numpy as np import ...

  3. 【每日一学】pandas_透视表函数&交叉表函数

    每日一悟 [分开工作内外8小时] 前一个月,我经常把工作内的问题带到路上.地铁上.睡觉前,甚至是周末. 然而很快发现,我工作外的成就几乎没有,而工作内的进展也并不理想. 仔细想想,工作外是需要学新东西 ...

  4. FastReport的交叉表实际使用的一个例子

    计算发行-->定义份数月表(打开)出现 PosFraisPaysInput选择时间段后,点击“打印”.这个设计表格,就是交叉表. 交叉表的特点是:数据库是一条一条并列的但是出来的结果却是:横向是 ...

  5. RS导出Excel交叉表角对应的列占用多列问题

    在Cognos报表展示的时候,很多用户为了计算会把数据报表导出成excel然后再做统计,于是乎我做的一张报表导出成Excel的时候就出现了这样的问题 从上图可以看出交叉表角对应的列 ‘一级手术’和‘二 ...

  6. pandas 之 交叉表-透视表

    import numpy as np import pandas as pd 认识 A pivot table is a data summarization tool(数据汇总工具) frequen ...

  7. pandas交叉表和透视表及案例分析

    一.交叉表: 作用: 交叉表是一种用于计算分组频率的特殊透视图,对数据进行汇总 考察预测数据和正式数据的对比情况,一个作为行,一个作为列 案例: 医院预测病人病情: 真实病情如下数组(B:有病,M:没 ...

  8. Pandas透视表（pivot_table）详解

    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 ...

  9. 通过sql做数据透视表，数据库表行列转换(pivot和Unpivot用法)（一）

    在mssql中大家都知道可以使用pivot来统计数据,实现像excel的透视表功能 一.MSsqlserver中我们通常的用法 1.Sqlserver数据库测试 ---创建测试表 Create tab ...

随机推荐

  1. python 操作excel

    操作excel安装的三种方式: 1.pip instaill xlwt    #写excel   pip instaill  xlrd    #读excel      pip instaill  xl ...

  2. [UE4]Spline

    Spline和Spline Mesh的区别: 1.Spline Mesh是有实体表现的,Spline Mesh可以拉伸弯曲实体模型,Spline Mesh是具象. 2.Spline 只有曲线,没有实体 ...

  3. linux日志logger命令详解

    通过logger命令记录日志 logger是一个shell命令接口,可以通过该接口使用Syslog的系统日志模块,还可以从命令行直接向系统日志文件写入一行信息. ------------------- ...

  4. springBoot和c3p0的整合

    首先创建c3p0的数据源类 package com.example.demo.config; import javax.sql.DataSource; import org.mybatis.sprin ...

  5. sql server top 10 IO性能查询

    use master go ), ((case qs.statement_end_offset then datalength(qt.text) else qs.statement_end_offse ...

  6. windows 查看端口占用、关闭端口

    cmd打卡命令窗口 1)netstat -an 查看所有活动连接 2)netstat -aon| findstr “xxxx” 找到指定端口的连接 3)taskkill  /F /PID xxxx 终 ...

  7. 1.1python解决数学建模之席位分配问题

    一:上代码 #比例法def rate_method(p,n):    lst =[] #保存各组席位数    sum_ =sum(p)    #人数和    k =0#临时变量    for i in ...

  8. MS SQL 数据库状态为SUSPECT（可疑）的处理方法

    原文出处:http://www.cnblogs.com/kerrycode/archive/2013/06/10/3131360.html 当SQL SERVER数据库状态为质疑(SUSPECT)状态 ...

  9. H5使用codovar插件实现微信支付（微信APP支付模式，前端）

    H5打包的app实现微信支付及支付宝支付,本章主要详解微信支付,支付宝支付请查看另一篇“H5使用codovar插件实现支付宝支付(支付宝APP支付模式,前端)” ps:本文只试用H5开发的,微信 AP ...

  10. DOM编程艺术章12：一个简单的Ajax例子

    大概入了JavaScript的门,现在要回过头恶补Ajax和json了,随手翻到dom编程艺术发现有一个适合回忆的例子,先抄录下来,引入对Ajax作用的大概印象,再去掰开了研究. <!DOCTY ...