Pandas 如何对数据框进行透视操作

在本文中，我们将介绍 Pandas 中的数据透视功能，解释如何将特定的数据结构转换为我们想要的形式。数据透视（Pivot）是数据分析中非常常见且功能强大的工具，它可以将行转换为列，或者将列转换为行，并将数据聚合为新的结构体。

1. Pandas中的数据透视操作

数据透视在 Pandas 中可以使用 pivot_table() 函数来实现。下面是一个简单的例子：

import pandas as pd

df = pd.DataFrame({
    "A": ["foo", "foo", "foo", "bar", "bar", "bar"],
    "B": ["one", "one", "two", "two", "one", "one"],
    "C": ["x", "y", "x", "y", "x", "y"],
    "D": [1, 3, 2, 5, 4, 1]
})

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

在这个例子中，我们创建了一个数据框 df，其中有四列数据，A 表示分组键，B 表示分组键的另一部分，C 是一个类别变量，而 D 是一个值变量。我们使用 pivot_table() 函数将数据框转换为一个新的数据框 table，其中 A 和 B 是新数据框的行索引，C 是新数据框的列索引，而用于汇总的值为 D。

2. 常见的数据透视操作

2.1 单列转行

有时候我们会遇到这样的情况，需要将一个或多个列转换为行。这通常是由于我们面对的数据来自于不同的源，并且由于格式或其他问题而需要进行转换。对于这种情况，我们可以使用 Pandas 中的 melt() 函数来将列转换为行。例如：

df = pd.DataFrame({'day': ['Sun','Sun','Mon','Mon'],
                   'time': [10, 14, 11, 15],
                   'count': [100, 200, 150, 100]})

result = pd.melt(df, id_vars=['day'], value_vars=['time', 'count'])

在上面的例子中，我们使用了 melt() 函数将列名为 time 和 count 的两列数据转换为一列数据，并添加了一个新的名称 variable 来存储原始列名。结果如下：

   day variable  value
0  Sun     time     10
1  Sun     time     14
2  Mon     time     11
3  Mon     time     15
4  Sun    count    100
5  Sun    count    200
6  Mon    count    150
7  Mon    count    100

2.2 多列转行

除了单列转行以外，在某些情况下，我们可能需要将多个列转换为行。例如，数据框存在多列日期，我们需要将这些日期转换为新的一列，并同时保留其它数据。我们可以使用 Pandas 中的 melt() 函数来实现这一点。例如：

df = pd.DataFrame({
    'id': ['A','B','C'],
    'date_x': ['2019-10-01','2019-10-02','2019-10-03'],
    'val_x': [1, 2, 3],
    'date_y': ['2019-10-11','2019-10-12','2019-10-13'],
    'val_y': [4, 5, 6]}
)

result = pd.melt(df, id_vars='id', value_vars=['date_x', 'val_x', 'date_y', 'val_y'],
                 var_name='variable', value_name='value')

在上面的例子中，我们针对 id 列进行了多列转行，转换后每行表示一个 id 中的一个日期和值，加入了新的 variable 列用于存储原始列名。结果如下：

  id variable       value
0  A   date_x  2019-10-01
1  B   date_x  2019-10-02
2  C   date_x  2019-10-03
3  A    val_x           1
4  B    val_x           2
5  C    val_x           3
6  A   date_y  2019-10-11
7  B   date_y  2019-10-12
8  C   date_y  2019-10-13
9  A    val_y           4
10 B    val_y           5
11 C    val_y           6

2.3 同时进行行列转换

有时候我们需要同时进行行列转换，这种转换通常用于聚合操作，例如计算一个月份内每个客户的销售总额等等。我们可以在 pivot_table() 函数中使用 pivot_table(df, index=['商品名称'], columns=['2018-01', '2018-02'], values=['销售数量', '销售额'], aggfunc=sum) 进行一次性聚合。

3. 总结

在本文中，我们介绍了 Pandas 中的数据透视操作，并给出了相应的示例。我们了解到，数据透视是非常有用的数据重构操作，可以将数据框的行转换为列，或者将列转换为行，并汇总为新的结构体。Pandas 中的 pivot_table() 函数是实现数据透视的主要方法之一，还可以使用 melt() 函数将列转换为行，并实现更复杂的数据透视操作。希望本文能对你在 Pandas 中应用数据透视操作有所帮助。