layuitable多选指定数据不可选中_从Excel进阶到Python：掌握数据透视表

常用Excel的朋友应该都离不开数据透视表了吧&＃xff0c;哈哈。在进行探索数据分析的时候&＃xff0c;数据透视表是非常好的一项工具&＃xff0c;它能帮助我们从多个维度对数据进行探索&＃xff0c;还能计算多种聚合值&＃xff0c;比如均值、中位数等。

但是想要进阶成为更全面的数据分析师&＃xff0c;学好一门适合数据分析的编程语言是必不可少的。Python和R都是不错的选择&＃xff0c;不过Python的应用范围更广&＃xff0c;所以在这里我更推荐Python。今天&＃xff0c;我们就来看一下如何在Python中使用groupby和pivot_table来构建数据透视表。

我们生成一些数据用于后边的讲解&＃xff0c;假设有8个学生的考试成绩数据&＃xff0c;8人分别来自四个班级&＃xff0c;有男有女。

import pandas as pdclasses &＃61; [&＃39;A&＃39;, &＃39;B&＃39;, &＃39;A&＃39;, &＃39;B&＃39;, &＃39;C&＃39;, &＃39;D&＃39;, &＃39;D&＃39;, &＃39;C&＃39;]gender &＃61; [&＃39;M&＃39;, &＃39;F&＃39;, &＃39;M&＃39;, &＃39;F&＃39;, &＃39;M&＃39;, &＃39;F&＃39;, &＃39;M&＃39;, &＃39;F&＃39;]score &＃61; [100, 90, 80, 70, 60, 85, 77, 92]df &＃61; pd.DataFrame({ &＃39;class&＃39;: classes, &＃39;gender&＃39;: gender, &＃39;score&＃39;: score})df

# 求每个班的人数df.groupby(&＃39;class&＃39;).count()# 求每个班成绩的均值df.groupby(&＃39;class&＃39;)[&＃39;score&＃39;].mean()# 分别求男女生中的最高分df.groupby(&＃39;gender&＃39;)[&＃39;score&＃39;].max()# 求每个班、男女生成绩的均值df.groupby([&＃39;class&＃39;, &＃39;gender&＃39;])[&＃39;score&＃39;].mean()

如果pandas就这么点本事&＃xff0c;就不值得我给你们介绍了。我们可以使用agg()函数或者aggregate()函数来选择对我们的GroupBy对象执行哪种或哪些聚合方法。

df.groupby([&＃39;class&＃39;, &＃39;gender&＃39;])[&＃39;score&＃39;].agg([&＃39;count&＃39;, &＃39;mean&＃39;, &＃39;max&＃39;, &＃39;min&＃39;])

我们知道&＃xff0c;在Excel中&＃xff0c;数据透视表不光能指定行维度&＃xff0c;还能指定列维度。虽然使用groupby结合unstack()也可以实现&＃xff0c;但是在pandas中&＃xff0c;我们有更加专门的pivot_table()函数可以一步到位。

我们试着用班级作为行&＃xff0c;用性别作为列&＃xff0c;来求每个单元内的成绩均值。

df.pivot_table(index&＃61;&＃39;class&＃39;, columns&＃61;&＃39;gender&＃39;, values&＃61;&＃39;score&＃39;, fill_value&＃61;0, aggfunc&＃61;&＃39;mean&＃39;)

这里&＃xff0c;我们用fill_value&＃61;0指定了缺失值填补为0&＃xff0c;用aggfunc指定聚合函数&＃xff0c;注意&＃xff0c;这里我们还可以自定义聚合函数哦&＃xff0c;比如求第二大的值、求标准差等等&＃xff0c;这样就比Excel的数据透视表更加灵活了。

已经转换成数据透视表的数据还可以变换成堆叠起来的数据&＃xff0c;比如上边的F/M两列我们仍然可以用一列gender来表示。

df2 &＃61; df.pivot_table(index&＃61;&＃39;class&＃39;, columns&＃61;&＃39;gender&＃39;, values&＃61;&＃39;score&＃39;, fill_value&＃61;0, aggfunc&＃61;&＃39;mean&＃39;).reset_index()pd.melt(df2, id_vars&＃61;&＃39;class&＃39;, value_vars&＃61;[&＃39;F&＃39;, &＃39;M&＃39;], value_name&＃61;&＃39;Monetary&＃39;, var_name&＃61;&＃39;gender&＃39;)

好&＃xff0c;我们就简单介绍到这里&＃xff0c;你学会了吗&＃xff1f;要记得多加练习哦。