文章目录
10.1 数据分组10.1 分组键是列名10.1.2 分组键是Series10.1.3 神奇的aggregate方法10.1.4 对分组后的结果重置索引 10.2 数据透视表10.1 数据分组
10.1 分组键是列名
import pandas as pdimport numpy as npdf = pd.read_csv(r"C:\Users\leadi\Python\01.python\input\train-pivot.csv",encoding="gbk")df
单列
df.groupby("客户分类")输出<pandas.core.groupby.generic.DataFrameGroupBy object at 0x0000013245A27588>df.groupby("客户分类").count()
df.groupby("客户分类").sum()
多列
df.groupby(["客户分类","区域"]).sum()
10.1.2 分组键是Series
df.groupby(df["客户分类"]).sum()
与单列一致
df.groupby([df["客户分类"],df["区域"]]).sum()
10.1.3 神奇的aggregate方法
可以同时，做多个汇总
df.groupby("客户分类").aggregate(["count","sum"])
针对不同的列进行汇总
df.groupby("客户分类").aggregate({"用户ID":"count","7月销量":"sum"})
10.1.4 对分组后的结果重置索引
df.groupby("客户分类").aggregate({"用户ID":"count","7月销量":"sum"}).reset_index()
10.2 数据透视表
pd.pivot_table(df,values = "用户ID",columns = "区域",index = "客户分类",aggfunc = "count",margins = True)
df 数据框
value 对象为值
columns 列名分类
index 行分类
aggfunc 计算方式
margins 两边的all统计
margins _name 替换名
fill_value ，缺失填充值
替换名
pd.pivot_table(df,values = "用户ID",columns = "区域",index = "客户分类",aggfunc = "count",margins = True,margins_name = "总计")
填充
pd.pivot_table(df,values = "用户ID",columns = "区域",index = "客户分类",aggfunc = "count",margins = True,margins_name = "总计",fill_value = 0)
多列分别统计
pd.pivot_table(df,values = ["用户ID","7月销量"],columns = "区域",index = "客户分类",aggfunc = {"用户ID":"count","7月销量":"sum"},margins = True,margins_name = "总计",fill_value = 0)
如果觉得《0107-【课程实战】-Python数据分析炒菜-第10章-数据分组/数据透视表》对你有帮助，请点赞、收藏，并留下你的观点哦！
