温馨提示×

温馨提示×

您好,登录后才能下订单哦!

密码登录×
登录注册×
其他方式登录
点击 登录注册 即表示同意《亿速云用户服务条款》

Pandas数据透视的函数如何使用

发布时间:2022-06-17 09:47:28 来源:亿速云 阅读:103 作者:iii 栏目:开发技术

这篇文章主要介绍了Pandas数据透视的函数如何使用的相关知识,内容详细易懂,操作简单快捷,具有一定借鉴价值,相信大家阅读完这篇Pandas数据透视的函数如何使用文章都会有所收获,下面我们一起来看看吧。

pandas.melt()

melt函数的主要作用是将DataFrame从宽格式转换成长格式。

pandas.melt(frame,id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None, ignore_index=True)

参数含义

  • id_vars:tuple, list, or ndarray,可选,作为标识符变量的列

  • value_vars:tuple, list, or ndarray, 可选,透视列,如果未指定,则使用未设置为id_vars的所有列。

  • var_name:scalar,默认为None,使用variable作为列名

  • value_name:标量, default ‘value’,value列的名称

  • col_level:int or str, 可选,如果列是多层索引,melt将应用于指定级别

  • ignore_index:bool, 默认为True,相当于从0开始重新排序。如果为False,则保留原来的索引,索引标签将出现重复。

看个例子先:

import pandas as pd

df = pd.DataFrame(
    {'地区': ['A', 'B', 'C'],
     '2020': [80, 60, 40],
     '2021': [800, 600, 400], 
     '2022': [8000, 6000, 4000]})

Pandas数据透视的函数如何使用

pd.melt(df,
        id_vars=['地区'],
        value_vars=['2020', '2021', '2022'])

Pandas数据透视的函数如何使用

设置var_namevalue_name

df = pd.melt(df,
             id_vars=['地区'],
             value_vars=['2020', '2021', '2022'],
             var_name='年份',
             value_name='销售额')

Pandas数据透视的函数如何使用

pandas.pivot()

pivot函数主要用于通过索引及列值对DataFrame重构。

pandas.pivot(data, index=None, columns=None, values=None)

参数含义

  • data:DataFrame对象

  • index:可选,用于新DataFrame的索引

  • columns:用于创建新DataFrame的列

  • values:可选,用于填充新DataFrame的值

用上面的结果举个例子:

df.pivot(index='年份',
         columns='地区',
         values='销售额')

Pandas数据透视的函数如何使用

也可以写成以下格式。

df.pivot(index='年份', columns='地区')['销售额']

添加一个销量列,同时统计两个values,这样会使columns变成多层索引。

df['销量'] = df['销售额']/10
df.pivot(index='年份',
         columns='地区',
         values=['销售额', '销量'])

Pandas数据透视的函数如何使用

添加一个月份列,指定两个index

df['月份'] = [f'{m}月' for m in range(1, 4)]*3
df.pivot(index=['年份', '月份'],
         columns='地区',
         values='销售额')

Pandas数据透视的函数如何使用

使用pivot时需要注意,当indexcolumns出现重复时,会导致ValueError

df = pd.DataFrame(
        {'地区': ['A', 'A', 'B', 'C'],
         '年份': ['2020', '2020', '2021', '2022'],
         '销售额': [800, 600, 400, 200]})

Pandas数据透视的函数如何使用

df.pivot(index='地区',
         columns='年份',
         values='销售额')
# ValueError

pandas.pivot_table()

这个函数之前已经单独讲过了,详见Pandas玩转数据透视表,相比于pivotpivot_table的灵活性更强。

pandas.crosstab()

crosstab函数计算两个(或多个)数组的简单交叉表。默认情况下计算元素的频率表。

pandas.crosstab(index, columns, values=None, rownames=None, colnames=None, aggfunc=None, margins=False, margins_name='All', dropna=True, normalize=False)

看下例子:

这里默认计算频率。

import numpy as np
array_A = np.array(["one", "two", "two", "three", "three", "three"], dtype=object)
array_B = np.array(["Python", "Python", "Python", "C", "C", "C"], dtype=object)
array_C = np.array(["Y", "Y", "Y", "N", "N", "N"])
pd.crosstab(array_A,
           [array_B, array_C],
           rownames=['array_A'],
           colnames=['array_B', 'array_C'])

Pandas数据透视的函数如何使用

新建一个values列,计算总和。

array_D = np.array([1, 4, 9, 16, 25, 36])
pd.crosstab(index=array_A,
            columns=[array_B, array_C],
            rownames=['array_A'],
            colnames=['array_B', 'array_C'],
            values=array_D,
            aggfunc='sum')

Pandas数据透视的函数如何使用

关于“Pandas数据透视的函数如何使用”这篇文章的内容就介绍到这里,感谢各位的阅读!相信大家对“Pandas数据透视的函数如何使用”知识都有一定的了解,大家如果还想学习更多知识,欢迎关注亿速云行业资讯频道。

向AI问一下细节

免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。

AI