时间就是生命。时光不会倒流，珍惜此刻，奋斗未来吧。记住你无畏青春的样貌，你未必出类拔萃，但必须与众不一样。
Pivot 及 Pivot_table函数用法
Pivot和Pivot_table函数都是对数据做透视表而使用的。其中的区别在于Pivot_table可以支持重复元素的聚合操作，而Pivot函数只能对不重复的元素进行聚合操作。
在一般的日常业务中，因为Pivot_table的功能更为强大,Pivot能做的不能做的Pivot_table都可做。所以只需要记住Pivot_table函数用法就好了。
Pivot函数的使用演示
#%%
import pandas as pd
df01 = pd.DataFrame(
{
"年份":[2019,2019,2019,2020,2020,2020],
"平台":["京东","淘宝","拼多多","京东","淘宝","拼多多"],
"销量":[100,200,300,400,500,600]
}
)
df01
#%%
pd.pivot(df01,
index = "年份",
columns = "平台",
values = "销量")
#%%
聚合后结果
Pivot_table函数的使用演示
注释：index指定什么元素作为index显示，columns指定列，values指定统计的值。一般values都为int后者float类型的值。aggfunc为聚合函数可以指定（mean,sum,Min,Max等统计运算等函数，如果不指定默认为mean均值）
df02 = pd.DataFrame(
{
"年份":[2019,2019,2019,2019,2020,2020,2020,2020],
"平台":["京东","淘宝","淘宝","拼多多","京东","淘宝","拼多多","拼多多"],
"销量":[100,200,300,400,500,600,700,800]
}
)
df02
#%%
#pivot_table用的很多.因为可以对重复的元素进行聚合操作.而pivot函数只能对不重复的行进行运算
pd.pivot_table(df02,
index="年份",
columns="平台",
values="销量",
aggfunc=sum #聚合函数来对销量进行运算.可以指定最大，最小,平均值等函数.默认为mean平均值
)
#%%
聚合结果
对比结果：这里要强调一点的是，2020年平台为拼多多的数据出现了2次，而且2次的值不同。在pivot函数中是无法对这种重复平台的数据进行聚合的，但是Pivot_table则可以。
另外通过聚合函数aggfunc指定sum求和，可以把2次的值累加统计。
Pivot_table函数真实案例演示
1. 读取表格数据
#%%
df = pd.read_excel("./datas/result_datas.xlsx",
).convert_dtypes() #读取数据并自动转化type
df.dtypes
#%%
df.head(3)
#%%
2. 通过Pivot_table函数透视合并数据并对金额和数量做统计
因为涉及到敏感信息，因此服务卡卡号等敏感信息部分遮掩不显示。但是通过部分结果也可以看出是按照号码进行升序排序的
#按照自定义指定index,columns,values值
result = pd.pivot_table(df,
index = ["姓名","服务卡卡号","明细","规格"],
values = ["理赔金额（元）","数量"],
aggfunc=sum
)
result = result.sort_values("服务卡卡号") #按照指定values值排序
result
#%%
#输出到文件
result.to_excel("./datas/output_datas.xlsx")
print("Done!!!")
到此这篇关于Python Pivot table透视表使用方法解析就介绍到这了。幽默就是一个人想哭的时候还有笑的兴致。更多相关Python Pivot table透视表使用方法解析内容请查看相关栏目，小编编辑不易，再次感谢大家的支持！
