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=True, sort=True, **kwargs)[源代码][源代码]#

创建一个电子表格样式的数据透视表作为 DataFrame。

数据透视表中的级别将存储在 MultiIndex 对象（分层索引）中，位于结果 DataFrame 的索引和列上。

参数:

值列表式或标量，可选: 要聚合的列或列。
索引列, Grouper, 数组, 或前面内容的列表: 用于在数据透视表索引上分组的键。如果传递的是一个列表，它可以包含任何其他类型（除了列表）。如果传递的是一个数组，它必须与数据长度相同，并将以与列值相同的方式使用。
列列, Grouper, 数组, 或前面内容的列表: 用于在数据透视表列上分组的键。如果传递的是一个列表，它可以包含任何其他类型（除了列表）。如果传递的是一个数组，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 “mean”: 如果传递了一个函数列表，生成的数据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）。如果传递了一个字典，键是要聚合的列，值是函数或函数列表。如果 margin=True，将使用 aggfunc 计算部分聚合。
fill_value标量，默认无: 用于替换缺失值的值（在聚合后的数据透视表中）。
边距布尔值, 默认为 False: 如果 margins=True，将添加特殊的 All 列和行，其中包含跨行和列类别部分的组聚合。
dropnabool, 默认为 True: 不要包含所有条目都是 NaN 的列。如果为 True，在计算边际之前，将省略在任何列中具有 NaN 值的行。
margins_namestr, 默认 ‘All’: 当 margins 为 True 时，包含总计的行/列的名称。
observed布尔值, 默认为 False: 这只适用于分组器中的任何一个为分类变量的情况。如果为True：仅显示分类分组器的观测值。如果为False：显示分类分组器的所有值。

在 3.0.0 版本发生变更: 默认值现在是 True。
排序bool, 默认为 True: 指定结果是否应排序。

Added in version 1.3.0.
**kwargsdict: 传递给 aggfunc 的可选关键字参数。

Added in version 3.0.0.

返回:

DataFrame: 一个Excel风格的透视表。

参见

DataFrame.pivot: 无需聚合的枢轴，可以处理非数字数据。
DataFrame.melt: 将 DataFrame 从宽格式透视到长格式，可选择保留标识符集。
wide_to_long: 宽面板转换为长格式。不如melt灵活，但比melt更用户友好。

备注

更多示例请参考用户指南。

例子

>>> 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 参数来填充缺失值。

>>> 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

下一个示例通过取多列的平均值来进行聚合。

>>> 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

我们还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