文章目录

• 每篇前言
• 一、透视表基础参数说明+实战案例
• • 0. 导入Excel数据
  • 1. data
  • 2. index
  • 3. values
  • 4. columns
  • 5. aggfunc
  • 6. fill_value
  • 7. dropna
  • 8. margins
  • 9. margins_name
  • 10. observed
  • 11. sort

每篇前言

• 🏆🏆作者介绍：Python领域优质创作者、华为云享专家、阿里云专家博主、2021年CSDN博客新星Top6

• 🔥🔥本文已收录于Python全栈系列专栏：《100天精通Python从入门到就业》
• 📝​📝​此专栏文章是专门针对Python零基础小白所准备的一套完整教学，从0到100的不断进阶深入的学习，各知识点环环相扣
• 🎉🎉订阅专栏后续可以阅读Python从入门到就业100篇文章；还可私聊进千人Python全栈交流群（手把手教学，问题解答）； 进群可领取80GPython全栈教程视频 + 300本计算机书籍：基础、Web、爬虫、数据分析、可视化、机器学习、深度学习、人工智能、算法、面试题等。
• 🚀🚀加入我一起学习进步，一个人可以走的很快，一群人才能走的更远！

---

一、透视表基础参数说明+实战案例

• 数据透视表（Pivot Table）是一种交互式的表，可以进行某些计算，如求和与计数等。所进行的计算与数据跟数据透视表中的排列有关。
• 之所以称为数据透视表，是因为可以动态地改变它们的版面布置，以便按照不同方式分析数据，也可以重新安排行号、列标和页字段。每一次改变版面布置时，数据透视表会立即按照新的布置重新计算数据。另外，如果原始数据发生更改，则可以更新数据透视表。

语法格式：

pandas.pivot_table(data: DataFrame, # 制作透视表的数据values=None, # 值index=None, # 行索引columns=None, # 列属性aggfunc: AggFuncType = "mean", # 使用的函数，默认是均值fill_value=None, # 缺失值填充margins=False, # 是否显示总计dropna=True, # 缺失值处理margins_name="All", # 总计显示为Allobserved=False, # 显示类别分组的观察值sort=True, # 排序功能
) -> DataFrame

参数说明：

0. 导入Excel数据

CSDN下载链接（设置0积分但是好像还是要会员）：透视表-篮球赛数据.xlsx

阿里网盘链接：https://www.aliyundrive.com/s/bsqugWGJLVz

import pandas as pd
import numpy as npdf = pd.read_excel(r'E:\Python学习\透视表——篮球赛数据.xlsx')
print(df)

1. data

要创建透视表的DataFrame对象

2. index

接收字符串，列表、分组器、数组或上一个的列表。如果传递了数组，它的长度必须与数据的长度相同。列表可以包含任何其他类型（列表除外）。要根据透视表索引分组的键。如果传递了一个数组，则它的使用方式与列值相同。

（1）接收字符串：

df.pivot_table(index='对手')

运行结果：

（2）接收列表：

# 在不同主客场下对阵同一对手的数据，分类条件为对手和主客场
df.pivot_table(index=['对手','主客场'])

运行结果：

3. values

要聚合的列/筛选需要显示的列，可选。如果不写values显示全部数据，写了只会显示我们指定的数据

在主客场和不同胜负情况下的得分和投篮数:

df.pivot_table(index=['主客场','胜负'],values=['投篮数','得分'])

运行结果：

4. columns

列、分组器、数组或上一个的列表。如果传递了数组，它的长度必须与数据的长度相同。列表可以包含任何其他类型（列表除外）。要在透视表列上分组的键。如果传递了一个数组，则它的使用方式与列值相同。

横向显示每队主客场的得数:

df.pivot_table(index=['主客场'],values='得分',columns='对手')

5. aggfunc

函数，函数列表，dict，默认numpy.mean。如果传递了函数列表，则生成的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dict，则键是要聚合的列，值是函数或函数列表。

（1）单个函数应用：

# 计算在主客场和不同胜负情况下的总得分、总投篮数
df.pivot_table(index=['主客场','胜负'],values=['得分','投篮数'],aggfunc='sum')

可以看出投篮数和得数成正比关系：


（2）多个函数应用：我们可以在aggfunc函数中指定多个函数，将这些函数放在同一个列表中：

• 求和：sum

• 求均值：mean

• 求个数：size

df.pivot_table(index=['主客场','胜负'],values=['得分','投篮数'],aggfunc=['sum','mean','size'])

6. fill_value

标量，默认无。值替换缺少的值（在聚合后的结果透视表中）。

横向显示每队主客场的得数，用fill_value=0填充空值:

df.pivot_table(index=['主客场'],values='得分',columns='对手',fill_value=0)

运行结果：

7. dropna

bool，默认为True。不要包含条目均为NaN的列。如果为True，则在计算边距之前，将忽略任何列中具有NaN值的行。简单来说就是数据中有空值的列不会参与计算

8. margins

bool，默认为False。添加所有行/列（例如小计/总计）。作用是对透视表中的分组数据进行汇总显示。

计算在主客场和不同胜负情况下的总得分、总投篮数，并对结果进行汇总：

df.pivot_table(index=['主客场','胜负'],values=['得分','投篮数'],aggfunc='sum',margins=True)

9. margins_name

作用修改margins汇总的行名，接收str，默认为“All”。只有margins=True，参数margins_name的设置才会生效。

计算在主客场和不同胜负情况下的总得分、总投篮数，并对结果进行汇总：

df.pivot_table(index=['主客场','胜负'],values=['得分','投篮数'],aggfunc='sum',margins=True,margins_name='汇总')

10. observed

bool，默认为False。这只适用于任何一个石斑鱼属于分类的情况。如果为True：仅显示类别分组的观察值。如果为False：显示类别分组的所有值。

11. sort

bool，默认为True。指定是否应对结果进行排序。1.3.0版中的新功能。

计算对手的总得分，并对结果进行排序

（1）排序前：

df.pivot_table(index='对手',values='得分',aggfunc='sum')

（2）排序后：这里由于自带的sort参数没有效果于是用的sort_values函数

df.pivot_table(index='对手',values='得分',aggfunc='sum').sort_values(by=['得分'],ascending=False)