pandas.pivot_table

pandas.pivot_table

pandas.pivot_table（data，values = None，index = None，columns = None，aggfunc ='mean'，fill_value = None，margins = False，dropna = True，margins_name ='All' ）

创建一个电子表格样式的数据透视表作为DataFrame。数据透视表中的级别将存储在结果DataFrame的索引和列上的MultiIndex对象（层次索引）中。

参数：

数据 ： DataFrame
values ： 要聚合的列，可选
index ： 列，Grouper，数组或前一个列表
如果传递数组，则它必须与数据的长度相同。该列表可以包含任何其他类型（列表除外）。在数据透视表索引上分组的键。如果传递数组，则它的使用方式与列值相同。

columns ： 列，Grouper，数组或前一个列表
如果传递数组，则它必须与数据的长度相同。该列表可以包含任何其他类型（列表除外）。在数据透视表列上分组的键。如果传递数组，则它的使用方式与列值相同。

aggfunc ： function，function of list，dict，default numpy.mean
如果传递的函数列表，生成的数据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dict，则键是要聚合的列，值是函数或函数列表

fill_value ： 标量，默认无
用于替换缺失值的值

margin ： boolean，默认为False
添加所有行/列（例如，对于小计/总计）

dropna ： 布尔值，默认为True
不包括条目全部为NaN的列

margins_name ： string，默认为'All'
当margin为True时，将包含总计的行/列的名称。

返回：
table ： DataFrame

也可以看看
DataFrame.pivot
没有聚合的Pivot可以处理非数字数据。
Examples

df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo",
... "bar", "bar", "bar", "bar"],
... "B": ["one", "one", "one", "two", "two",
... "one", "one", "two", "two"],
... "C": ["small", "large", "large", "small",
... "small", "large", "small", "small",
... "large"],
... "D": [1, 2, 2, 3, 3, 4, 5, 6, 7],
... "E": [2, 4, 5, 5, 6, 6, 8, 9, 9]})

df
A B C D E
0 foo one small 1 2
1 foo one large 2 4
2 foo one large 2 5
3 foo two small 3 5
4 foo two small 3 6
5 bar one large 4 6
6 bar one small 5 8
7 bar two small 6 9
8 bar two large 7 9
This first example aggregates values by taking the sum.

table = pivot_table(df, values='D', index=['A', 'B'],
... columns=['C'], aggfunc=np.sum)

table
C large small
A B
bar one 4 5
two 7 6
foo one 4 1
two NaN 6
We can also fill missing values using the fill_value parameter.

table = pivot_table(df, values='D', index=['A', 'B'],
... columns=['C'], aggfunc=np.sum, fill_value=0)

table
C large small
A B
bar one 4 5
two 7 6
foo one 4 1
two 0 6
The next example aggregates by taking the mean across multiple columns.

table = pivot_table(df, values=['D', 'E'], index=['A', 'C'],
... aggfunc={'D': np.mean,
... 'E': np.mean})

table
D E
mean mean
A C
bar large 5.500000 7.500000
small 5.500000 8.500000
foo large 2.000000 4.500000
small 2.333333 4.333333
We can also calculate multiple types of aggregations for any given value column.

table = pivot_table(df, values=['D', 'E'], index=['A', 'C'],
... aggfunc={'D': np.mean,
... 'E': [min, max, np.mean]})

table
D E
mean max mean min
A C
bar large 5.500000 9 7.500000 6
small 5.500000 9 8.500000 8
foo large 2.000000 5 4.500000 4
small 2.333333 6 4.333333 2