pandas pivot_table 活学活用实例教程

pandas pivot_table 活学活用实例教程
至此，pandas中的透视表的功能实例实现完成

pandas pivot_table 活学活用实例教程

导入相关数据分析的库

import pandas as pd

import numpy as np

import  matplotlib.pyplot as  plt

import time

df=pd.read_excel("all_data_meituan.xlsx")

df=df[['commentTime','menu','readCnt','star','userId','userLevel','zanCnt']].dropna()

# 这里去掉缺失值，因为后面的透视表中的处理都是直接去除缺失值（dropna=True），这边我们先处理掉，以免与后面的结果发生了矛盾，还要分析问题在哪里。

df.head() # 看出前5行

.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}

.dataframe tbody tr th {

    vertical-align: top;

}

.dataframe thead th {

    text-align: right;

}

	commentTime	menu	readCnt	star	userId	userLevel	zanCnt
0	1525875708515	单人午晚餐	25434	40	291754497	1	2
1	1527853291658	2人午晚餐	7293	40	829297130	2	0
2	1522813943711	2人午晚餐	31787	50	38217090	4	2
3	1525165942926	单人午晚餐	10334	20	67726205	5	1
4	1526546884897	单人午晚餐	5658	30	93974894	3	0

首先进行commentTime时间进行数据预处理



def convertTime(x):

    y=time.localtime(x/1000)

    z=time.strftime("%Y-%m-%d %H:%M:%S",y)

    return z

df["commentTime"]=df["commentTime"].apply(convertTime)

df.head()

.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}

.dataframe tbody tr th {

    vertical-align: top;

}

.dataframe thead th {

    text-align: right;

}

	commentTime	menu	readCnt	star	userId	userLevel	zanCnt
0	2018-05-09 22:21:48	单人午晚餐	25434	40	291754497	1	2
1	2018-06-01 19:41:31	2人午晚餐	7293	40	829297130	2	0
2	2018-04-04 11:52:23	2人午晚餐	31787	50	38217090	4	2
3	2018-05-01 17:12:22	单人午晚餐	10334	20	67726205	5	1
4	2018-05-17 16:48:04	单人午晚餐	5658	30	93974894	3	0

查看数据类型信息

df.info()

<class 'pandas.core.frame.DataFrame'>

Int64Index: 17223 entries, 0 to 199

Data columns (total 7 columns):

commentTime    17223 non-null object

menu           17223 non-null object

readCnt        17223 non-null int64

star           17223 non-null int64

userId         17223 non-null int64

userLevel      17223 non-null int64

zanCnt         17223 non-null int64

dtypes: int64(5), object(2)

memory usage: 1.1+ MB

最简单的透视表

# 下面使用pandas中我们在前面的数据分析中未使用到的一个大的模块，透视表pivot_table

pd.pivot_table(df,index=['menu'])

.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}

.dataframe tbody tr th {

    vertical-align: top;

}

.dataframe thead th {

    text-align: right;

}

	readCnt	star	userId	userLevel	zanCnt
menu
2人午晚餐	1592.576047	37.404450	3.195518e+08	2.269764	0.073691
4人午/晚自助	1378.817837	37.311828	2.507373e+08	2.565465	0.041746
6人午/晚自助	999.232742	42.149901	3.469539e+08	3.130178	0.047337
单人下午自助烤肉	3722.082942	34.162754	3.821938e+08	1.654147	0.574335
单人午/晚自助	1618.223881	42.985075	2.580148e+08	2.597015	0.000000
单人午晚餐	1733.297959	37.357143	3.197547e+08	2.393367	0.105867
周一至周五自助烤肉/周六日及节假日自助烤肉2选1	137.885167	41.004785	2.346154e+08	2.473684	0.000000
周一至周五自助烤肉，免费WiFi	74.181818	50.000000	3.153784e+08	0.545455	0.000000
学生专享午晚自助	1501.586050	38.669447	3.725546e+08	2.309704	0.090599

直接敲击该函数，在notebook中可以查看该函数的参数

# 查看函数的参数以及默认参数，其中aggfunc意思是透视表使用的聚类分析方法，这种简单的透视表我们可以通过groupby实现，df.groupby('menu').mean()

#  这里针对的数值型字段，比如我们在预处理中的评论时间字段并没有出现求平均的结果

pd.pivot_table

<function pandas.core.reshape.pivot.pivot_table(data, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All')>

多个索引列

# 实际上单个索引的pivot_table 与groupby得到的结果一样，可以这样说，pivot_table是高级版本的groupby，提供了很多groupby不能实现的功能

# 多索引，通过列表传入

pd.pivot_table(df,index=['menu','star'])

# 发现一个问题，star索引列中的数据显示不全，有的menu评分不全，不过这并不影响我们进行分析

# 假如star列类型是int类型的话，会有显示不全的信息，但是将star列转化为category类之后，数据显示完整，后文有示例

# 发现每个menu重的点赞的平均数在评分位10分的最高，也就是浏览评论数据的人中给10分的评价点赞数最多，很可能是因为一针见血的指出了该品类的真相。。

.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}

.dataframe tbody tr th {

    vertical-align: top;

}

.dataframe thead th {

    text-align: right;

}

		readCnt	userId	userLevel	zanCnt
menu	star
2人午晚餐	10	3209.762918	2.658655e+08	2.306991	0.486322
	20	1332.634146	3.405706e+08	2.084428	0.026266
	30	453.680819	3.168836e+08	2.031968	0.011489
	40	1387.565459	3.124086e+08	2.258136	0.059172
	50	2770.622104	3.345696e+08	2.556467	0.099421
4人午/晚自助	10	2894.969466	1.837606e+08	1.190840	0.305344
	20	989.529412	7.500110e+07	2.058824	0.000000
	30	608.138889	2.855711e+08	2.469907	0.000000
	40	1413.608696	2.492934e+08	2.833333	0.014493
	50	1651.925373	2.624418e+08	2.835821	0.037313
6人午/晚自助	10	2880.000000	1.417346e+08	3.000000	1.000000
	30	1382.437500	3.574079e+08	2.321429	0.133929
	40	475.014085	3.931602e+08	3.619718	0.000000
	50	1066.473469	3.220952e+08	3.220408	0.004082
单人下午自助烤肉	10	3316.081633	8.303536e+08	1.408163	2.244898
	20	1674.000000	0.000000e+00	0.000000	0.000000
	30	3483.173077	3.891840e+08	1.423077	0.682692
	40	4040.034722	1.299745e+08	1.833333	0.034722
	50	4223.017751	3.738496e+08	2.124260	0.000000
单人午/晚自助	30	2424.000000	0.000000e+00	0.000000	0.000000
	40	1600.037037	2.413956e+08	2.370370	0.000000
	50	1366.000000	3.589771e+08	3.666667	0.000000
单人午晚餐	10	2107.811321	1.450798e+08	2.245283	0.754717
	20	2236.238255	3.244870e+08	2.526846	0.473154
	30	566.427984	2.748531e+08	2.153909	0.011523
	40	2247.692881	3.391905e+08	2.437914	0.084437
	50	2288.451967	3.638373e+08	2.588289	0.071363
周一至周五自助烤肉/周六日及节假日自助烤肉2选1	20	1313.000000	5.211120e+08	2.000000	0.000000
	30	71.260870	2.453638e+08	2.195652	0.000000
	40	83.060606	1.129387e+08	2.484848	0.000000
	50	79.632184	2.883081e+08	2.666667	0.000000
周一至周五自助烤肉，免费WiFi	50	74.181818	3.153784e+08	0.545455	0.000000
学生专享午晚自助	10	1331.108911	5.364212e+08	1.000000	0.207921
	20	1602.905759	3.906107e+08	2.371728	0.104712
	30	731.221172	3.847745e+08	1.809074	0.102079
	40	1091.994759	2.895067e+08	2.679245	0.046122
	50	2424.111240	4.336949e+08	2.347625	0.115875

特定列的统计

# 上面的分析中包含了多列的平均值，假如我们只想看其中的readCnt 列，可以传入values参数

pd.pivot_table(df,index=['menu','star'],values='readCnt')

.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}

.dataframe tbody tr th {

    vertical-align: top;

}

.dataframe thead th {

    text-align: right;

}

		readCnt
menu	star
2人午晚餐	10	3209.762918
	20	1332.634146
	30	453.680819
	40	1387.565459
	50	2770.622104
4人午/晚自助	10	2894.969466
	20	989.529412
	30	608.138889
	40	1413.608696
	50	1651.925373
6人午/晚自助	10	2880.000000
	30	1382.437500
	40	475.014085
	50	1066.473469
单人下午自助烤肉	10	3316.081633
	20	1674.000000
	30	3483.173077
	40	4040.034722
	50	4223.017751
单人午/晚自助	30	2424.000000
	40	1600.037037
	50	1366.000000
单人午晚餐	10	2107.811321
	20	2236.238255
	30	566.427984
	40	2247.692881
	50	2288.451967
周一至周五自助烤肉/周六日及节假日自助烤肉2选1	20	1313.000000
	30	71.260870
	40	83.060606
	50	79.632184
周一至周五自助烤肉，免费WiFi	50	74.181818
学生专享午晚自助	10	1331.108911
	20	1602.905759
	30	731.221172
	40	1091.994759
	50	2424.111240

规定特定的聚合函数

#  此时，我们也会考虑，这个地方是不是只能是平均值，回答当然是no，还可以通过aggfunc传入其他的参数，以获得不同的结果，例如

# 我们可以通过传入np.sum,函数，求总和

pd.pivot_table(df,index=['menu','star'],values='readCnt',aggfunc=np.sum)

.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}

.dataframe tbody tr th {

    vertical-align: top;

}

.dataframe thead th {

    text-align: right;

}

		readCnt
menu	star
2人午晚餐	10	1056012
	20	710294
	30	908269
	40	3751977
	50	5740729
4人午/晚自助	10	379241
	20	67288
	30	262716
	40	585234
	50	885432
6人午/晚自助	10	23040
	30	154833
	40	67452
	50	261286
单人下午自助烤肉	10	324976
	20	33480
	30	724500
	40	581765
	50	713690
单人午/晚自助	30	24240
	40	43201
	50	40980
单人午晚餐	10	223428
	20	666399
	30	688210
	40	2715213
	50	2501278
周一至周五自助烤肉/周六日及节假日自助烤肉2选1	20	13130
	30	3278
	40	5482
	50	6928
周一至周五自助烤肉，免费WiFi	50	1632
学生专享午晚自助	10	134442
	20	306155
	30	386816
	40	1041763
	50	2092008

传入多个聚合函数

#  aggfunc 可以传入多个参数

pd.pivot_table(df,index=['menu','star'],values='readCnt',aggfunc=[np.sum,len])

.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}

.dataframe tbody tr th {

    vertical-align: top;

}

.dataframe thead tr th {

    text-align: left;

}

.dataframe thead tr:last-of-type th {

    text-align: right;

}

		sum	len
		readCnt	readCnt
menu	star
2人午晚餐	10	1056012	329
	20	710294	533
	30	908269	2002
	40	3751977	2704
	50	5740729	2072
4人午/晚自助	10	379241	131
	20	67288	68
	30	262716	432
	40	585234	414
	50	885432	536
6人午/晚自助	10	23040	8
	30	154833	112
	40	67452	142
	50	261286	245
单人下午自助烤肉	10	324976	98
	20	33480	20
	30	724500	208
	40	581765	144
	50	713690	169
单人午/晚自助	30	24240	10
	40	43201	27
	50	40980	30
单人午晚餐	10	223428	106
	20	666399	298
	30	688210	1215
	40	2715213	1208
	50	2501278	1093
周一至周五自助烤肉/周六日及节假日自助烤肉2选1	20	13130	10
	30	3278	46
	40	5482	66
	50	6928	87
周一至周五自助烤肉，免费WiFi	50	1632	22
学生专享午晚自助	10	134442	101
	20	306155	191
	30	386816	529
	40	1041763	954
	50	2092008	863

#  aggfunc 可以传入多个参数

pd.pivot_table(df,index=['menu','star'],values='readCnt',aggfunc=[np.sum,len,np.mean])

.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}

.dataframe tbody tr th {

    vertical-align: top;

}

.dataframe thead tr th {

    text-align: left;

}

.dataframe thead tr:last-of-type th {

    text-align: right;

}

		sum	len	mean
		readCnt	readCnt	readCnt
menu	star
2人午晚餐	10	1056012	329	3209.762918
	20	710294	533	1332.634146
	30	908269	2002	453.680819
	40	3751977	2704	1387.565459
	50	5740729	2072	2770.622104
4人午/晚自助	10	379241	131	2894.969466
	20	67288	68	989.529412
	30	262716	432	608.138889
	40	585234	414	1413.608696
	50	885432	536	1651.925373
6人午/晚自助	10	23040	8	2880.000000
	30	154833	112	1382.437500
	40	67452	142	475.014085
	50	261286	245	1066.473469
单人下午自助烤肉	10	324976	98	3316.081633
	20	33480	20	1674.000000
	30	724500	208	3483.173077
	40	581765	144	4040.034722
	50	713690	169	4223.017751
单人午/晚自助	30	24240	10	2424.000000
	40	43201	27	1600.037037
	50	40980	30	1366.000000
单人午晚餐	10	223428	106	2107.811321
	20	666399	298	2236.238255
	30	688210	1215	566.427984
	40	2715213	1208	2247.692881
	50	2501278	1093	2288.451967
周一至周五自助烤肉/周六日及节假日自助烤肉2选1	20	13130	10	1313.000000
	30	3278	46	71.260870
	40	5482	66	83.060606
	50	6928	87	79.632184
周一至周五自助烤肉，免费WiFi	50	1632	22	74.181818
学生专享午晚自助	10	134442	101	1331.108911
	20	306155	191	1602.905759
	30	386816	529	731.221172
	40	1041763	954	1091.994759
	50	2092008	863	2424.111240

传入columns参数

# 同时我们可以利用columns传入参数，通常传入的都是category类型的字段，这样可以分析针对这个字段下，values对应列的各个aggfunc函数，例如

pd.pivot_table(df,index=['menu','star'],values='readCnt',columns='userLevel',aggfunc=[np.sum,len])

.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}

.dataframe tbody tr th {

    vertical-align: top;

}

.dataframe thead tr th {

    text-align: left;

}

.dataframe thead tr:last-of-type th {

    text-align: right;

}

		sum							len
	userLevel	0	1	2	3	4	5	6	0	1	2	3	4	5	6
menu	star
2人午晚餐	10	258020.0	17404.0	556200.0	167428.0	56960.0	NaN	NaN	50.0	19.0	100.0	100.0	60.0	NaN	NaN
	20	139630.0	70824.0	291639.0	143281.0	64920.0	NaN	NaN	105.0	48.0	157.0	143.0	80.0	NaN	NaN
	30	136235.0	44579.0	74229.0	384310.0	256611.0	10165.0	2140.0	508.0	232.0	350.0	620.0	204.0	68.0	20.0
	40	943979.0	143525.0	1037331.0	555754.0	1050919.0	12825.0	7644.0	479.0	282.0	678.0	694.0	481.0	78.0	12.0
	50	1028106.0	910589.0	194753.0	1339691.0	2190625.0	9505.0	67460.0	207.0	237.0	441.0	725.0	351.0	67.0	44.0
4人午/晚自助	10	225540.0	NaN	137293.0	16408.0	NaN	NaN	NaN	60.0	NaN	57.0	14.0	NaN	NaN	NaN
	20	20628.0	NaN	NaN	15860.0	30800.0	NaN	NaN	28.0	NaN	NaN	20.0	20.0	NaN	NaN
	30	64636.0	NaN	36427.0	133200.0	18794.0	9659.0	NaN	72.0	NaN	133.0	138.0	58.0	31.0	NaN
	40	272260.0	NaN	158807.0	56781.0	44983.0	NaN	52403.0	20.0	NaN	146.0	137.0	98.0	NaN	13.0
	50	564533.0	NaN	25130.0	201899.0	77930.0	10240.0	5700.0	79.0	NaN	95.0	205.0	90.0	47.0	20.0
6人午/晚自助	10	NaN	NaN	NaN	23040.0	NaN	NaN	NaN	NaN	NaN	NaN	8.0	NaN	NaN	NaN
	30	7800.0	NaN	22551.0	81846.0	42636.0	NaN	NaN	20.0	NaN	35.0	38.0	19.0	NaN	NaN
	40	NaN	NaN	7345.0	11150.0	28780.0	20177.0	NaN	NaN	NaN	27.0	39.0	37.0	39.0	NaN
	50	7560.0	NaN	11476.0	122220.0	38064.0	13086.0	68880.0	18.0	NaN	38.0	98.0	56.0	15.0	20.0
单人下午自助烤肉	10	NaN	196536.0	NaN	128440.0	NaN	NaN	NaN	NaN	78.0	NaN	20.0	NaN	NaN	NaN
	20	33480.0	NaN	NaN	NaN	NaN	NaN	NaN	20.0	NaN	NaN	NaN	NaN	NaN	NaN
	30	615033.0	NaN	68015.0	472.0	40980.0	NaN	NaN	101.0	NaN	65.0	2.0	40.0	NaN	NaN
	40	322580.0	28460.0	14442.0	205620.0	10663.0	NaN	NaN	40.0	20.0	16.0	60.0	8.0	NaN	NaN
	50	22500.0	NaN	657928.0	18242.0	15020.0	NaN	NaN	20.0	NaN	108.0	21.0	20.0	NaN	NaN
单人午/晚自助	30	24240.0	NaN	NaN	NaN	NaN	NaN	NaN	10.0	NaN	NaN	NaN	NaN	NaN	NaN
	40	NaN	NaN	40681.0	2520.0	NaN	NaN	NaN	NaN	NaN	17.0	10.0	NaN	NaN	NaN
	50	NaN	NaN	NaN	10760.0	30220.0	NaN	NaN	NaN	NaN	NaN	10.0	20.0	NaN	NaN
单人午晚餐	10	89260.0	NaN	NaN	75968.0	38200.0	20000.0	NaN	40.0	NaN	NaN	36.0	20.0	10.0	NaN
	20	26710.0	51900.0	359680.0	51328.0	166447.0	10334.0	NaN	30.0	40.0	80.0	40.0	107.0	1.0	NaN
	30	122043.0	45679.0	111660.0	195120.0	167446.0	46262.0	NaN	289.0	96.0	289.0	267.0	228.0	46.0	NaN
	40	160276.0	210574.0	108343.0	1961559.0	116063.0	158398.0	NaN	185.0	81.0	263.0	450.0	157.0	72.0	NaN
	50	423175.0	532911.0	81259.0	1174165.0	80857.0	200272.0	8639.0	145.0	129.0	200.0	357.0	108.0	127.0	27.0
周一至周五自助烤肉/周六日及节假日自助烤肉2选1	20	NaN	NaN	13130.0	NaN	NaN	NaN	NaN	NaN	NaN	10.0	NaN	NaN	NaN	NaN
	30	369.0	NaN	2144.0	765.0	NaN	NaN	NaN	3.0	NaN	28.0	15.0	NaN	NaN	NaN
	40	1967.0	NaN	NaN	NaN	3515.0	NaN	NaN	25.0	NaN	NaN	NaN	41.0	NaN	NaN
	50	1602.0	NaN	1387.0	2148.0	840.0	951.0	NaN	18.0	NaN	15.0	28.0	12.0	14.0	NaN
周一至周五自助烤肉，免费WiFi	50	420.0	1212.0	NaN	NaN	NaN	NaN	NaN	10.0	12.0	NaN	NaN	NaN	NaN	NaN
学生专享午晚自助	10	67546.0	40276.0	6538.0	20082.0	NaN	NaN	NaN	37.0	42.0	7.0	15.0	NaN	NaN	NaN
	20	89080.0	NaN	54380.0	147675.0	NaN	15020.0	NaN	40.0	NaN	40.0	91.0	NaN	20.0	NaN
	30	38524.0	175981.0	119230.0	43321.0	4340.0	5420.0	NaN	134.0	77.0	134.0	144.0	20.0	20.0	NaN
	40	95021.0	56070.0	290879.0	193114.0	379548.0	27131.0	NaN	105.0	49.0	209.0	346.0	174.0	71.0	NaN
	50	102935.0	NaN	812392.0	302126.0	734360.0	8620.0	131575.0	189.0	NaN	269.0	210.0	136.0	40.0	19.0

生成的DataFrame可以导出excel或csv文件

# pd.pivot_table(df,index=['menu','star'],values='readCnt',columns='userLevel',aggfunc=[np.sum,len]).to_excel('pivot_table.xlsx')

# 这里生成的是DataFrame结构，可以直接将结果导出生成excel或者csv文件

修改index中的数据类型，显示完整的索引列

#  我们可以总结一下，index中一般是category类型，columns也是category类型，当然可以是能够代表category的数值，比如这里的离散数值，

#  values中一般是数值类型，aggfunc针对values中的值进行计算，这里我们可以

# 更改index与columns中的字段，并通过数据类型的变换，则可以将index中显示不全的信息显示完整。

df['menu']=df['menu'].astype('category')

df['userLevel']=df['userLevel'].astype('category')

df['star']=df['star'].astype('category')

pd.pivot_table(df,index=['menu','userLevel'],values='readCnt',columns='star',aggfunc=[np.sum,len])

.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}

.dataframe tbody tr th {

    vertical-align: top;

}

.dataframe thead tr th {

    text-align: left;

}

.dataframe thead tr:last-of-type th {

    text-align: right;

}

		sum					len
	star	10	20	30	40	50	10	20	30	40	50
menu	userLevel
2人午晚餐	0	258020.0	139630.0	136235.0	943979.0	1028106.0	50.0	105.0	508.0	479.0	207.0
	1	17404.0	70824.0	44579.0	143525.0	910589.0	19.0	48.0	232.0	282.0	237.0
	2	556200.0	291639.0	74229.0	1037331.0	194753.0	100.0	157.0	350.0	678.0	441.0
	3	167428.0	143281.0	384310.0	555754.0	1339691.0	100.0	143.0	620.0	694.0	725.0
	4	56960.0	64920.0	256611.0	1050919.0	2190625.0	60.0	80.0	204.0	481.0	351.0
	5	NaN	NaN	10165.0	12825.0	9505.0	NaN	NaN	68.0	78.0	67.0
	6	NaN	NaN	2140.0	7644.0	67460.0	NaN	NaN	20.0	12.0	44.0
4人午/晚自助	0	225540.0	20628.0	64636.0	272260.0	564533.0	60.0	28.0	72.0	20.0	79.0
	1	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	2	137293.0	NaN	36427.0	158807.0	25130.0	57.0	NaN	133.0	146.0	95.0
	3	16408.0	15860.0	133200.0	56781.0	201899.0	14.0	20.0	138.0	137.0	205.0
	4	NaN	30800.0	18794.0	44983.0	77930.0	NaN	20.0	58.0	98.0	90.0
	5	NaN	NaN	9659.0	NaN	10240.0	NaN	NaN	31.0	NaN	47.0
	6	NaN	NaN	NaN	52403.0	5700.0	NaN	NaN	NaN	13.0	20.0
6人午/晚自助	0	NaN	NaN	7800.0	NaN	7560.0	NaN	NaN	20.0	NaN	18.0
	1	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	2	NaN	NaN	22551.0	7345.0	11476.0	NaN	NaN	35.0	27.0	38.0
	3	23040.0	NaN	81846.0	11150.0	122220.0	8.0	NaN	38.0	39.0	98.0
	4	NaN	NaN	42636.0	28780.0	38064.0	NaN	NaN	19.0	37.0	56.0
	5	NaN	NaN	NaN	20177.0	13086.0	NaN	NaN	NaN	39.0	15.0
	6	NaN	NaN	NaN	NaN	68880.0	NaN	NaN	NaN	NaN	20.0
单人下午自助烤肉	0	NaN	33480.0	615033.0	322580.0	22500.0	NaN	20.0	101.0	40.0	20.0
	1	196536.0	NaN	NaN	28460.0	NaN	78.0	NaN	NaN	20.0	NaN
	2	NaN	NaN	68015.0	14442.0	657928.0	NaN	NaN	65.0	16.0	108.0
	3	128440.0	NaN	472.0	205620.0	18242.0	20.0	NaN	2.0	60.0	21.0
	4	NaN	NaN	40980.0	10663.0	15020.0	NaN	NaN	40.0	8.0	20.0
	5	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	6	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
单人午/晚自助	0	NaN	NaN	24240.0	NaN	NaN	NaN	NaN	10.0	NaN	NaN
	1	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	...	...	...	...	...	...	...	...	...	...	...
	5	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	6	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
单人午晚餐	0	89260.0	26710.0	122043.0	160276.0	423175.0	40.0	30.0	289.0	185.0	145.0
	1	NaN	51900.0	45679.0	210574.0	532911.0	NaN	40.0	96.0	81.0	129.0
	2	NaN	359680.0	111660.0	108343.0	81259.0	NaN	80.0	289.0	263.0	200.0
	3	75968.0	51328.0	195120.0	1961559.0	1174165.0	36.0	40.0	267.0	450.0	357.0
	4	38200.0	166447.0	167446.0	116063.0	80857.0	20.0	107.0	228.0	157.0	108.0
	5	20000.0	10334.0	46262.0	158398.0	200272.0	10.0	1.0	46.0	72.0	127.0
	6	NaN	NaN	NaN	NaN	8639.0	NaN	NaN	NaN	NaN	27.0
周一至周五自助烤肉/周六日及节假日自助烤肉2选1	0	NaN	NaN	369.0	1967.0	1602.0	NaN	NaN	3.0	25.0	18.0
	1	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	2	NaN	13130.0	2144.0	NaN	1387.0	NaN	10.0	28.0	NaN	15.0
	3	NaN	NaN	765.0	NaN	2148.0	NaN	NaN	15.0	NaN	28.0
	4	NaN	NaN	NaN	3515.0	840.0	NaN	NaN	NaN	41.0	12.0
	5	NaN	NaN	NaN	NaN	951.0	NaN	NaN	NaN	NaN	14.0
	6	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
周一至周五自助烤肉，免费WiFi	0	NaN	NaN	NaN	NaN	420.0	NaN	NaN	NaN	NaN	10.0
	1	NaN	NaN	NaN	NaN	1212.0	NaN	NaN	NaN	NaN	12.0
	2	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	3	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	4	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	5	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	6	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
学生专享午晚自助	0	67546.0	89080.0	38524.0	95021.0	102935.0	37.0	40.0	134.0	105.0	189.0
	1	40276.0	NaN	175981.0	56070.0	NaN	42.0	NaN	77.0	49.0	NaN
	2	6538.0	54380.0	119230.0	290879.0	812392.0	7.0	40.0	134.0	209.0	269.0
	3	20082.0	147675.0	43321.0	193114.0	302126.0	15.0	91.0	144.0	346.0	210.0
	4	NaN	NaN	4340.0	379548.0	734360.0	NaN	NaN	20.0	174.0	136.0
	5	NaN	15020.0	5420.0	27131.0	8620.0	NaN	20.0	20.0	71.0	40.0
	6	NaN	NaN	NaN	NaN	131575.0	NaN	NaN	NaN	NaN	19.0

63 rows × 10 columns

传入fill_value参数，处理缺失值

# 上面的例子虽然将index显示完整了，但是仍然有很多缺失值NaN(not a number),显示在这里给人感觉不舒服的话，可以在参数中传入fill_value，例如

pd.pivot_table(df,index=['userLevel','menu'],values='readCnt',columns='star',aggfunc=[np.sum,len],fill_value=0)

.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}

.dataframe tbody tr th {

    vertical-align: top;

}

.dataframe thead tr th {

    text-align: left;

}

.dataframe thead tr:last-of-type th {

    text-align: right;

}

		sum					len
	star	10	20	30	40	50	10	20	30	40	50
userLevel	menu
0	2人午晚餐	258020	139630	136235	943979	1028106	50	105	508	479	207
	4人午/晚自助	225540	20628	64636	272260	564533	60	28	72	20	79
	6人午/晚自助	0	0	7800	0	7560	0	0	20	0	18
	单人下午自助烤肉	0	33480	615033	322580	22500	0	20	101	40	20
	单人午/晚自助	0	0	24240	0	0	0	0	10	0	0
	单人午晚餐	89260	26710	122043	160276	423175	40	30	289	185	145
	周一至周五自助烤肉/周六日及节假日自助烤肉2选1	0	0	369	1967	1602	0	0	3	25	18
	周一至周五自助烤肉，免费WiFi	0	0	0	0	420	0	0	0	0	10
	学生专享午晚自助	67546	89080	38524	95021	102935	37	40	134	105	189
1	2人午晚餐	17404	70824	44579	143525	910589	19	48	232	282	237
	4人午/晚自助	0	0	0	0	0	0	0	0	0	0
	6人午/晚自助	0	0	0	0	0	0	0	0	0	0
	单人下午自助烤肉	196536	0	0	28460	0	78	0	0	20	0
	单人午/晚自助	0	0	0	0	0	0	0	0	0	0
	单人午晚餐	0	51900	45679	210574	532911	0	40	96	81	129
	周一至周五自助烤肉/周六日及节假日自助烤肉2选1	0	0	0	0	0	0	0	0	0	0
	周一至周五自助烤肉，免费WiFi	0	0	0	0	1212	0	0	0	0	12
	学生专享午晚自助	40276	0	175981	56070	0	42	0	77	49	0
2	2人午晚餐	556200	291639	74229	1037331	194753	100	157	350	678	441
	4人午/晚自助	137293	0	36427	158807	25130	57	0	133	146	95
	6人午/晚自助	0	0	22551	7345	11476	0	0	35	27	38
	单人下午自助烤肉	0	0	68015	14442	657928	0	0	65	16	108
	单人午/晚自助	0	0	0	40681	0	0	0	0	17	0
	单人午晚餐	0	359680	111660	108343	81259	0	80	289	263	200
	周一至周五自助烤肉/周六日及节假日自助烤肉2选1	0	13130	2144	0	1387	0	10	28	0	15
	周一至周五自助烤肉，免费WiFi	0	0	0	0	0	0	0	0	0	0
	学生专享午晚自助	6538	54380	119230	290879	812392	7	40	134	209	269
3	2人午晚餐	167428	143281	384310	555754	1339691	100	143	620	694	725
	4人午/晚自助	16408	15860	133200	56781	201899	14	20	138	137	205
	6人午/晚自助	23040	0	81846	11150	122220	8	0	38	39	98
	...	...	...	...	...	...	...	...	...	...	...
	周一至周五自助烤肉/周六日及节假日自助烤肉2选1	0	0	765	0	2148	0	0	15	0	28
	周一至周五自助烤肉，免费WiFi	0	0	0	0	0	0	0	0	0	0
	学生专享午晚自助	20082	147675	43321	193114	302126	15	91	144	346	210
4	2人午晚餐	56960	64920	256611	1050919	2190625	60	80	204	481	351
	4人午/晚自助	0	30800	18794	44983	77930	0	20	58	98	90
	6人午/晚自助	0	0	42636	28780	38064	0	0	19	37	56
	单人下午自助烤肉	0	0	40980	10663	15020	0	0	40	8	20
	单人午/晚自助	0	0	0	0	30220	0	0	0	0	20
	单人午晚餐	38200	166447	167446	116063	80857	20	107	228	157	108
	周一至周五自助烤肉/周六日及节假日自助烤肉2选1	0	0	0	3515	840	0	0	0	41	12
	周一至周五自助烤肉，免费WiFi	0	0	0	0	0	0	0	0	0	0
	学生专享午晚自助	0	0	4340	379548	734360	0	0	20	174	136
5	2人午晚餐	0	0	10165	12825	9505	0	0	68	78	67
	4人午/晚自助	0	0	9659	0	10240	0	0	31	0	47
	6人午/晚自助	0	0	0	20177	13086	0	0	0	39	15
	单人下午自助烤肉	0	0	0	0	0	0	0	0	0	0
	单人午/晚自助	0	0	0	0	0	0	0	0	0	0
	单人午晚餐	20000	10334	46262	158398	200272	10	1	46	72	127
	周一至周五自助烤肉/周六日及节假日自助烤肉2选1	0	0	0	0	951	0	0	0	0	14
	周一至周五自助烤肉，免费WiFi	0	0	0	0	0	0	0	0	0	0
	学生专享午晚自助	0	15020	5420	27131	8620	0	20	20	71	40
6	2人午晚餐	0	0	2140	7644	67460	0	0	20	12	44
	4人午/晚自助	0	0	0	52403	5700	0	0	0	13	20
	6人午/晚自助	0	0	0	0	68880	0	0	0	0	20
	单人下午自助烤肉	0	0	0	0	0	0	0	0	0	0
	单人午/晚自助	0	0	0	0	0	0	0	0	0	0
	单人午晚餐	0	0	0	0	8639	0	0	0	0	27
	周一至周五自助烤肉/周六日及节假日自助烤肉2选1	0	0	0	0	0	0	0	0	0	0
	周一至周五自助烤肉，免费WiFi	0	0	0	0	0	0	0	0	0	0
	学生专享午晚自助	0	0	0	0	131575	0	0	0	0	19

63 rows × 10 columns

设添加margins参数，定margin_name名称

pd.pivot_table(df,index=['userLevel','menu'],values='readCnt',columns='star',aggfunc=[len],fill_value=0,margins=True,margins_name='总计')

# 显示总计

.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}

.dataframe tbody tr th {

    vertical-align: top;

}

.dataframe thead tr th {

    text-align: left;

}

.dataframe thead tr:last-of-type th {

    text-align: right;

}

		len
	star	10	20	30	40	50	总计
userLevel	menu
0	2人午晚餐	50	105	508	479	207	1349.0
	4人午/晚自助	60	28	72	20	79	259.0
	6人午/晚自助	0	0	20	0	18	38.0
	单人下午自助烤肉	0	20	101	40	20	181.0
	单人午/晚自助	0	0	10	0	0	10.0
	单人午晚餐	40	30	289	185	145	689.0
	周一至周五自助烤肉/周六日及节假日自助烤肉2选1	0	0	3	25	18	46.0
	周一至周五自助烤肉，免费WiFi	0	0	0	0	10	10.0
	学生专享午晚自助	37	40	134	105	189	505.0
1	2人午晚餐	19	48	232	282	237	818.0
	4人午/晚自助	0	0	0	0	0	NaN
	6人午/晚自助	0	0	0	0	0	NaN
	单人下午自助烤肉	78	0	0	20	0	98.0
	单人午/晚自助	0	0	0	0	0	NaN
	单人午晚餐	0	40	96	81	129	346.0
	周一至周五自助烤肉/周六日及节假日自助烤肉2选1	0	0	0	0	0	NaN
	周一至周五自助烤肉，免费WiFi	0	0	0	0	12	12.0
	学生专享午晚自助	42	0	77	49	0	168.0
2	2人午晚餐	100	157	350	678	441	1726.0
	4人午/晚自助	57	0	133	146	95	431.0
	6人午/晚自助	0	0	35	27	38	100.0
	单人下午自助烤肉	0	0	65	16	108	189.0
	单人午/晚自助	0	0	0	17	0	17.0
	单人午晚餐	0	80	289	263	200	832.0
	周一至周五自助烤肉/周六日及节假日自助烤肉2选1	0	10	28	0	15	53.0
	周一至周五自助烤肉，免费WiFi	0	0	0	0	0	NaN
	学生专享午晚自助	7	40	134	209	269	659.0
3	2人午晚餐	100	143	620	694	725	2282.0
	4人午/晚自助	14	20	138	137	205	514.0
	6人午/晚自助	8	0	38	39	98	183.0
	...	...	...	...	...	...	...
	周一至周五自助烤肉，免费WiFi	0	0	0	0	0	NaN
	学生专享午晚自助	15	91	144	346	210	806.0
4	2人午晚餐	60	80	204	481	351	1176.0
	4人午/晚自助	0	20	58	98	90	266.0
	6人午/晚自助	0	0	19	37	56	112.0
	单人下午自助烤肉	0	0	40	8	20	68.0
	单人午/晚自助	0	0	0	0	20	20.0
	单人午晚餐	20	107	228	157	108	620.0
	周一至周五自助烤肉/周六日及节假日自助烤肉2选1	0	0	0	41	12	53.0
	周一至周五自助烤肉，免费WiFi	0	0	0	0	0	NaN
	学生专享午晚自助	0	0	20	174	136	330.0
5	2人午晚餐	0	0	68	78	67	213.0
	4人午/晚自助	0	0	31	0	47	78.0
	6人午/晚自助	0	0	0	39	15	54.0
	单人下午自助烤肉	0	0	0	0	0	NaN
	单人午/晚自助	0	0	0	0	0	NaN
	单人午晚餐	10	1	46	72	127	256.0
	周一至周五自助烤肉/周六日及节假日自助烤肉2选1	0	0	0	0	14	14.0
	周一至周五自助烤肉，免费WiFi	0	0	0	0	0	NaN
	学生专享午晚自助	0	20	20	71	40	151.0
6	2人午晚餐	0	0	20	12	44	76.0
	4人午/晚自助	0	0	0	13	20	33.0
	6人午/晚自助	0	0	0	0	20	20.0
	单人下午自助烤肉	0	0	0	0	0	NaN
	单人午/晚自助	0	0	0	0	0	NaN
	单人午晚餐	0	0	0	0	27	27.0
	周一至周五自助烤肉/周六日及节假日自助烤肉2选1	0	0	0	0	0	NaN
	周一至周五自助烤肉，免费WiFi	0	0	0	0	0	NaN
	学生专享午晚自助	0	0	0	0	19	19.0
总计		773	1120	4554	5659	5117	17223.0

64 rows × 6 columns

aggfunc传入字典，规定单个字段对应的聚合函数

df['star']=df['star'].astype("int")

pd.pivot_table(df,index=['menu'],columns=["userLevel"],values=["readCnt",'star'],

               aggfunc={"star":len,"readCnt":[np.sum]},fill_value=0)

#  可以aggfunc函数传入一个字典，规定单个字段对应的聚合函数

.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}

.dataframe tbody tr th {

    vertical-align: top;

}

.dataframe thead tr th {

    text-align: left;

}

.dataframe thead tr:last-of-type th {

    text-align: right;

}

	readCnt							star
	sum							len
userLevel	0	1	2	3	4	5	6	0	1	2	3	4	5	6
menu
2人午晚餐	2505970	1186921	2154152	2590464	3620035	32495	77244	1349	818	1726	2282	1176	213	76
4人午/晚自助	1147597	0	357657	424148	172507	19899	58103	259	0	431	514	266	78	33
6人午/晚自助	15360	0	41372	238256	109480	33263	68880	38	0	100	183	112	54	20
单人下午自助烤肉	993593	224996	740385	352774	66663	0	0	181	98	189	103	68	0	0
单人午/晚自助	24240	0	40681	13280	30220	0	0	10	0	17	20	20	0	0
单人午晚餐	821464	841064	660942	3458140	569013	435266	8639	689	346	832	1150	620	256	27
周一至周五自助烤肉/周六日及节假日自助烤肉2选1	3938	0	16661	2913	4355	951	0	46	0	53	43	53	14	0
周一至周五自助烤肉，免费WiFi	420	1212	0	0	0	0	0	10	12	0	0	0	0	0
学生专享午晚自助	393106	272327	1283419	706318	1118248	56191	131575	505	168	659	806	330	151	19

可以使用query 进行查询数据



table=pd.pivot_table(df,index=['menu'],columns=["userLevel"],values=["readCnt",'star'],

               aggfunc={"star":len,"readCnt":[np.sum]})

table

.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}

.dataframe tbody tr th {

    vertical-align: top;

}

.dataframe thead tr th {

    text-align: left;

}

.dataframe thead tr:last-of-type th {

    text-align: right;

}

	readCnt							star
	sum							len
userLevel	0	1	2	3	4	5	6	0	1	2	3	4	5	6
menu
2人午晚餐	2505970.0	1186921.0	2154152.0	2590464.0	3620035.0	32495.0	77244.0	1349.0	818.0	1726.0	2282.0	1176.0	213.0	76.0
4人午/晚自助	1147597.0	NaN	357657.0	424148.0	172507.0	19899.0	58103.0	259.0	NaN	431.0	514.0	266.0	78.0	33.0
6人午/晚自助	15360.0	NaN	41372.0	238256.0	109480.0	33263.0	68880.0	38.0	NaN	100.0	183.0	112.0	54.0	20.0
单人下午自助烤肉	993593.0	224996.0	740385.0	352774.0	66663.0	NaN	NaN	181.0	98.0	189.0	103.0	68.0	NaN	NaN
单人午/晚自助	24240.0	NaN	40681.0	13280.0	30220.0	NaN	NaN	10.0	NaN	17.0	20.0	20.0	NaN	NaN
单人午晚餐	821464.0	841064.0	660942.0	3458140.0	569013.0	435266.0	8639.0	689.0	346.0	832.0	1150.0	620.0	256.0	27.0
周一至周五自助烤肉/周六日及节假日自助烤肉2选1	3938.0	NaN	16661.0	2913.0	4355.0	951.0	NaN	46.0	NaN	53.0	43.0	53.0	14.0	NaN
周一至周五自助烤肉，免费WiFi	420.0	1212.0	NaN	NaN	NaN	NaN	NaN	10.0	12.0	NaN	NaN	NaN	NaN	NaN
学生专享午晚自助	393106.0	272327.0	1283419.0	706318.0	1118248.0	56191.0	131575.0	505.0	168.0	659.0	806.0	330.0	151.0	19.0

高级的透视表查询语句

table.query("menu==['2人午晚餐','单人午晚餐']")

.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}

.dataframe tbody tr th {

    vertical-align: top;

}

.dataframe thead tr th {

    text-align: left;

}

.dataframe thead tr:last-of-type th {

    text-align: right;

}

	readCnt							star
	sum							len
userLevel	0	1	2	3	4	5	6	0	1	2	3	4	5	6
menu
2人午晚餐	2505970.0	1186921.0	2154152.0	2590464.0	3620035.0	32495.0	77244.0	1349.0	818.0	1726.0	2282.0	1176.0	213.0	76.0
单人午晚餐	821464.0	841064.0	660942.0	3458140.0	569013.0	435266.0	8639.0	689.0	346.0	832.0	1150.0	620.0	256.0	27.0

至此，pandas中的透视表的功能实例实现完成

pandas pivot_table 活学活用实例教程的更多相关文章

JVM活学活用——调优工具
概述工具做为图形化界面来展示更能直观的发现问题,另一方面一些耗费性能的分析(dump文件分析)一般也不会在生产直接分析,往往dump下来的文件达1G左右,人工分析效率较低,因此利用工具来分析jvm相 ...
HTML5--details活学活用
这是补充HTML5基础知识的系列内容,其他为: 一.HTML5-- 新的结构元素二.HTML5-- figure.time.details.mark 三.HTML5-- details活学活用四. ...
活学活用，webapi HTTPBasicAuthorize搭建小型云应用的实践
HTTP使用BASIC认证,WebAPI使用[HTTPBasicAuthorize]标记控制器就是使用了BASIC认证. BASIC认证的缺点HTTP基本认证的目标是提供简单的用户验证功能,其认证过程 ...
JVM活学活用——GC算法垃圾收集器
概述垃圾收集 Garbage Collection 通常被称为“GC”,它诞生于1960年 MIT 的 Lisp 语言,经过半个多世纪,目前已经十分成熟了. jvm 中,程序计数器.虚拟机栈.本地方 ...
JVM活学活用——类加载机制
类的实例化过程有父类的情况 1. 加载父类静态 1.1 为静态属性分配存储空间并赋初始值 1.2 执行静态初始化块和静态初始化语句(从上至下) 2. 加载子类静态 2.1 为静态 ...
JVM活学活用——Jvm内存结构
Java内存结构: JVM内存结构主要是有三大块:堆内存.方法区和栈.堆内存是JVM中最大的一块由年轻代和老年代组成,而年轻代内存又被分为三部分,Eden空间.From Survivor空间.To S ...
JVM活学活用——优化springboot
介绍在SpringBoot的Web项目中,默认采用的是内置Tomcat,当然也可以配置支持内置的jetty,内置有什么好处呢? 1. 方便微服务部署. 2. 方便项目启动,不需要下载Tomcat或者 ...
活学活用wxPython基础框架
看活活用wxpython这本书,基本框架是这样子的,这里有定义输出,然后打印出整个流程,可以看到是怎样执行的,明天请假了,五一回去玩几天,哈哈,估计假期过来都忘了 import wx import s ...
活学活用，CSS清除浮动的4种方法
清除浮动这个问题,做前端的应该再熟悉不过了,咱是个新人,所以还是记个笔记,做个积累,努力学习向大神靠近. CSS清除浮动的方法网上一搜,大概有N多种,用过几种,说下个人感受. 1.结尾处加空div标签 ...

随机推荐

POJ 1125 Stockbroker Grapevine
Stockbroker Grapevine Time Limit: 1000MS Memory Limit: 10000K Total Submissions: 33141 Accepted: ...
自己编写的sublime text 3 插件
一些小功能,比较杂. 具体的功能在这里查看 1.本地环境的php运行结果获取. 2.快捷打开常用的文件,文件夹,url.(ctrl+shift+a) 3.常用的缩进转换. 下边是网络爬虫代码. #py ...
使Asp&period;net WebApi支持JSONP和Cors跨域访问
1.服务端处理同源策略(Same Origin Policy)的存在导致了“源”自A的脚本只能操作“同源”页面的DOM,“跨源”操作来源于B的页面将会被拒绝.同源策略以及跨域资源共享在大部分情况下针 ...
Oracle检查锁及其等待的行ROWID
SELECT l.session_id sid , substr(o.owner, 1, 8) owner, o.o ...
Git commit message和工作流规范
目的统一团队Git commit日志标准,便于后续代码review,版本发布以及日志自动化生成等等. 统一团队的Git工作流,包括分支使用.tag规范.issue等 Git commit日志参考案例 ...
【LeetCode】49&period; Group Anagrams
题目: Given an array of strings, group anagrams together. For example, given: ["eat", " ...
Effective Java 第三版——40&period; 始终使用Override注解
Tips <Effective Java, Third Edition>一书英文版已经出版,这本书的第二版想必很多人都读过,号称Java四大名著之一,不过第二版2009年出版,到现在已经将 ...
Redis事务和实现秒杀功能的实现
今天带着学生学习了Redis的事务功能,Redis的事务与传统的关系型数据库(如MySQL)有所不同,Redis的事务不能回滚. Redis中使用multi.exec.discard.watch.un ...
两个队列实现栈&amp&semi;两个栈实现队列（JAVA）
1,两个栈实现队列题目描述用两个栈来实现一个队列,完成队列的Push和Pop操作. 队列中的元素为int类型. 思路:栈的特点时先进后出,队列的特点是先进先出. 若此时有两个队列stack1,st ...
CEdit编辑框字体和背景设置
CEdit编辑框字体和背景设置注意事项:当CEdit为“disable”时,设置编辑框的字体和背景会没有效果.解决方案:将CEdit的Style设置为“readonly”,这样设置就能生效了,同时也能 ...