导入示例数据
首先导入演示的数据集。
import pandas as pd df = pd.read_csv('销售目标.csv') df.head() 复制代码
参数说明
主要参数：
data：待操作的 DataFramevalues：被聚合操作的列，可选项index：行分组键，作为结果 DataFrame 的行索引columns：列分组键，作为结果 DataFrame 的列索引aggfunc：聚合函数/函数列表，默认 numpy.mean 这里要注意如果 aggfunc 中存在函数列表，则返回的 DataFrame 中会显示函数名称fill_value：默认 None，可设定缺省值dropna：默认 True，如果列的所有值都是 NaN，将被删除；False 则保留margins：默认 False，设置为 True 可以添加行/列的总计margins_name：默认显示 'ALL'，当margins = True时，可以设定 margins 行/列的名称
常用操作
使用pivot_table时必须要指定index，因为计算时要根据index进行聚合。
pd.pivot_table(df.head(20), index='订单日期', aggfunc=np.sum) 复制代码
通过指定value来选择被聚合的列。
pd.pivot_table(df.head(20), values='销售目标', index='订单日期', aggfunc=np.sum) 复制代码
当只指定index进行聚合时，其实用groupby可以实现同样的效果。
df.head(20).groupby(['订单日期'])['销售目标'].sum().reset_index() 复制代码
添加columns参数，对列分组。
pd.pivot_table(df.head(10), values='销售目标', index=['订单日期', '类别'], columns='细分', aggfunc=np.sum) 复制代码
对于上面结果中的空值，使用fill_value参数统一填充为0
pd.pivot_table(df.head(10), values='销售目标', index=['订单日期', '类别'], columns=['细分'], aggfunc=np.sum, fill_value=0) 复制代码
现在按年份来统计销售数据，注意此时的aggfunc参数，当参数值包含列表时，在结果DataFrame中就会显示函数名称。
pd.pivot_table(df, values='销售目标', index=['年份', '类别'], columns='细分', aggfunc=[np.sum]) 复制代码
如果需要添加合计列，只需指定margins=True即可，同时根据需要指定合计名称。
pd.pivot_table(df, values='销售目标', index=['年份', '类别'], columns='细分', aggfunc=np.sum, margins=True, margins_name='合计') 复制代码
当然与groupby类似，对于计算函数我们可以同时指定多种方式。
pd.pivot_table(df, values='销售目标', index=['年份', '类别'], columns=['细分'], aggfunc={'销售目标': [max, np.sum]}, fill_value=0) 复制代码
以上就是pandas数据透视的常用操作了，使用起来也是十分简单，大家可以自己练习一下，如果文章对你有帮助，请点赞支持一下哦！
