Python如何實現(xiàn)一個透視表

這篇文章主要介紹“Python如何實現(xiàn)一個透視表”的相關(guān)知識，小編通過實際案例向大家展示操作過程，操作方法簡單快捷，實用性強(qiáng)，希望這篇“Python如何實現(xiàn)一個透視表”文章能幫助大家解決問題。

1. 數(shù)據(jù)

為幫助大家更好地理解，在講解如何使用pivot_table( )實現(xiàn)透視表前，我們先導(dǎo)入示例數(shù)據(jù)，在接下來的講解中都使用此數(shù)據(jù)作為例子。

# 導(dǎo)入示例數(shù)據(jù) <<< datadata =pd.read_csv("data.csv") <<< data.head()     月份  項目  部門   金額       剩余金額 0   1月  水費  市場部 1962.37    8210.58 1   2月  水費  市場部 690.69     9510.60 2   2月  電費  市場部 2310.12    5384.92 3   2月  電費  運營部 -1962.37   7973.10 4   2月  電費  開發(fā)部 1322.33    6572.16

下面我將帶大家使用pivot_table( )一步一步實現(xiàn)數(shù)據(jù)透視表的操作。

2. 操作

首先，原數(shù)據(jù)有5個字段，我們在做數(shù)據(jù)透視表之前必須理解每個字段的意思，明確清楚自己需要得到什么信息。

假設(shè)我們想看看不同月份所花費的水電費金額是多少，這時我們需要把字段“月份”設(shè)置為索引，將字段“金額”設(shè)置為我們需要看的值，具體代碼如下：

<<< data.pivot_table(index=['月份'],values=['金額'])            金額 月份   10月 3723.940000 11月 2900.151667 12月 10768.262857 1月  1962.370000 2月  1432.280000 3月  3212.106667 4月  4019.175000 5月  4051.480000 6月  6682.632500 7月  11336.463333 8月  17523.485000 9月  10431.960000

參數(shù)index為設(shè)置的索引列表，即分組依據(jù)，需要用中括號[ ]將索引字段括起來;參數(shù)values為分組后進(jìn)行計算的字段列表，也需要用中括號[  ]括起來。這兩個參數(shù)的值可以是一個或多個字段，即按照多個字段進(jìn)行分組和對多個字段進(jìn)行計算匯總。例如，設(shè)置index=['項目','部門']代表求不同項目不同部門下的金額。

<<< data.pivot_table(index=['項目','部門'],values=['金額'])             金額 項目  部門   水費  市場部  3614.318125      開發(fā)部   2358.205000      運營部   5896.213333 電費  市場部   6094.748235       開發(fā)部   1322.330000       運營部   7288.615000 采暖費 市場部   5068.380000       運營部   55978.000000

若設(shè)置values=['金額','剩余金額']，即求不同項目不同部門下金額和剩余金額的值。

<<< data.pivot_table(index=['項目','部門'],values=['金額','剩余金額'])               剩余金額       金額 項目  部門       水費  市場部    7478.423125  3614.318125       開發(fā)部   6866.490000   2358.205000       運營部   7224.033333   5896.213333 電費  市場部    7645.535882   6094.748235       開發(fā)部   6572.160000    1322.330000       運營部   8821.895000    7288.615000 采暖費 市場部   6572.030000    5068.380000       運營部   7908.560000    55978.000000

同時，如果我們想以交叉表的形式查看不同項目和不同部門下的消費金額，這時就要將字段‘部門’設(shè)置為列名，進(jìn)行交叉查看，具體代碼如下：

<<< data.pivot_table(index=['項目'],columns=['部門'],values=['金額'])       金額 部門   市場部        開發(fā)部     運營部 項目           水費   3614.318125  2358.205  5896.213333 電費   6094.748235  1322.330  7288.615000 采暖費  5068.380000  NaN      55978.000000

通過上面的示例，我們可以看到某個分組下不存在記錄會被標(biāo)記為NAN，例如上述中采暖部和開發(fā)部不存在金額這一字段的記錄，則會標(biāo)記為NAN。如果不希望被標(biāo)記為NAN，我們可以通過設(shè)置參數(shù)fill_value=0來用數(shù)值0替代這部分的缺失值。

<<< data.pivot_table(index=['項目'],columns=['部門'],values=['金額'],fill_value=0)       金額 部門   市場部        開發(fā)部     運營部 項目           水費   3614.318125  2358.205  5896.213333 電費   6094.748235  1322.330  7288.615000 采暖費  5068.380000  0.000    55978.000000

在上面的示例中，我們都是默認(rèn)分組后對值進(jìn)行求平均值計算，假如我們想查看不同項目不同部門下金額的總和該怎么實現(xiàn)呢?

通過設(shè)置參數(shù)aggfunc=np.sum即可對分組后的值進(jìn)行求和操作，參數(shù)aggfunc代表分組后值的匯總方式，可傳入numpy庫中的聚合方法。

<<< data.pivot_table(index=['項目'],columns=['部門'],values=['金額'],fill_value=0,aggfunc=np.sum) 金額 部門    市場部      開發(fā)部    運營部 項目           水費    57829.09   4716.41   17688.64 電費    103610.72  1322.33   29154.46 采暖費   5068.38    0.00     55978.00

除了常見的求和、求平均值這兩種聚合方法，我們還可能接觸到以下這幾種：

描述方法標(biāo)準(zhǔn)差np.std()方差np.var()所有元素相乘np.prod()中數(shù)np.median()冪運算np.power()開方np.sqrt()最小值np.min()最大值np.max()以e為底的指數(shù)np.exp(10)對數(shù)np.log(10)

與前面介紹的參數(shù)index，columns，value一樣，參數(shù)aggfunc傳入的值也是一個列表，表示可傳入一個或多個值。當(dāng)傳入多個值時，表示對該值進(jìn)行多種匯總方式，例如同時求不同項目不同部門下金額的求和值和平均值：

<<< data.pivot_table(index=['項目'],columns=['部門'],values=['金額'],fill_value=0,aggfunc=[np.sum,np.max])      sum               amax      金額               金額 部門  市場部 開發(fā)部 運營部 市場部 開發(fā)部 運營部 項目                       水費  57829.09  4716.41  17688.64 16807.58 2941.28 6273.56 電費  103610.72 1322.33  29154.46 18239.39 1322.33 26266.60 采暖費 5068.38   0.00    55978.00  5068.38  0.00    55978.00

同時，如果我們想對不同字段進(jìn)行不同的匯總方式，可通過對參數(shù)aggfunc傳入字典來實現(xiàn)，例如我們可以同時對不同項目不同部門下，對字段金額求總和值，對字段剩余金額求平均值：

<<< data.pivot_table(index=['項目'],columns=['部門'],values=['金額','剩余金額'],fill_value=0,aggfunc={'金額':np.sum,'剩余金額':np.max})      剩余金額                  金額 部門  市場部   開發(fā)部   運營部   市場部     開發(fā)部     運營部 項目                       水費  9510.60 8719.34 7810.38 57829.09   4716.41  17688.64 電費  9625.27 6572.16 9938.82 103610.72  1322.33  29154.46 采暖費 6572.03 0.00    7908.56 5068.38    0.00     55978.00

另外，在進(jìn)行以上功能的同時，pivot_table還為我們提供了一個求所有行及所有列對應(yīng)合計值的參數(shù)margins，當(dāng)設(shè)置參數(shù)margins=True時，會在輸出結(jié)果的最后添加一行'All',表示根據(jù)columns進(jìn)行分組后每一項的列總計值;以及在輸出結(jié)果的最后添加一列'All',表示根據(jù)index進(jìn)行分組后每一項的行總計值。

<<< pd.set_option('precision',0) <<< data.pivot_table(index=['項目'],columns=['部門'],values=['金額','剩余金額'],fill_value=0,aggfunc={'金額':np.sum,'剩余金額':np.max},margins=True)      剩余金額                 金額 部門  市場部 開發(fā)部 運營部 All   市場部  開發(fā)部  運營部  All 項目                               水費  9511  8719  7810  9511  57829  4716   17689  80234 電費  9625  6572  9939  9939  103611  1322  29154  134088 采暖費 6572  0     7909  7909  5068    0     55978  61046 All   9625  8719  9939  9939  166508  6039  102821 275368

3. 番外

上面詳細(xì)介紹了如何在python中通過pivot_table(  )方法實現(xiàn)數(shù)據(jù)透視表的功能，那么，與數(shù)據(jù)透視表原理相同，顯示方式不同的‘數(shù)據(jù)透視圖’又該怎么實現(xiàn)呢?

實現(xiàn)方法非常簡單，將上述進(jìn)行pivot_table操作后的對象進(jìn)行實例化，再對實例化后的對象進(jìn)行plot繪圖操作即可，具體代碼如下：

<<< dfdf=data.pivot_table(index=['項目'],columns=['部門'],values='金額',fill_value=0) <<< df.plot(kind='bar')

關(guān)于“Python如何實現(xiàn)一個透視表”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識，可以關(guān)注億速云行業(yè)資訊頻道，小編每天都會為大家更新不同的知識點。