文章目录
- 十、数据透视表
- 1.获取数据
- 2.手工制作数据透视表
- 3.数据透视表语法
- 1）多级数据透视表
- 2）其他数据透视表选项
- 4.案例：美国人的生日
- 附：逆透视方法df.melt()
十、数据透视表
数据透视表将每一列数据作为输入，输出将数据不断细分成多个维度累计信息的二维数据表。
1.获取数据
本节用一份Seaborn 程序库采用泰坦尼克号的乘客信息数据库来演示（titanic）
2.手工制作数据透视表
使用groupby可以实现数据透视的效果，但是比较繁琐
3.数据透视表语法
df.pivot_table(values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All')
1）多级数据透视表
pandas.cut(x, bins, right=True, labels=None, retbins=False, precision=3, include_lowest=False) 用途：返回 x 中的每一个数据 在bins 中对应 的范围，相当于将x按照边界值分箱
使用新的列作为透视index
pd.qcut(x, q, labels=None, retbins=False, precisinotallow=3, duplicates='raise') 用途：根据x均匀分成x个箱子，如q=2，则是按照中位数分箱，以此类推
将新的列作为透视columns
2）其他数据透视表选项
fill_value 和 dropna这两个参数用于处理缺失值
aggfunc参数:
用于设置累计函数类型，默认值是均值，与 GroupBy 的用法一样，累计函数可以用一些常见的字符串（‘sum’、 ‘mean’、 ‘count’、 ‘min’、 ‘max’ 等）表示，也可以用标准的累计函数（np.sum()、 min()、 sum() 等）表示。
不同的透视列如果需要使用不同的累计方法，可以通过字典为不同的列指定
margins对行列总计，总计行/列名称默认为’All’
4.案例：美国人的生日
附：逆透视方法df.melt()
pandas.melt(frame, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None) 该方法可以将二维数据转换成一维数据
如同透视表，逆透视也可以一步步列转索引（set_index），维度转索引(stack)来实现
