id_vars：tuple, list, or ndarray，可選，作為標(biāo)識(shí)符變量的列
value_vars：tuple, list, or ndarray, 可選，透視列，如果未指定，則使用未設(shè)置為id_vars的所有列。
var_name：scalar，默認(rèn)為None，使用variable作為列名
value_name：標(biāo)量, default ‘value’，value列的名稱
col_level：int or str, 可選，如果列是多層索引，melt將應(yīng)用于指定級(jí)別
ignore_index：bool, 默認(rèn)為True，相當(dāng)于從0開始重新排序。如果為False，則保留原來(lái)的索引，索引標(biāo)簽將出現(xiàn)重復(fù)。

看個(gè)例子先：

import?pandas?as?pd

df?=?pd.DataFrame(
????{'地區(qū)':?['A',?'B',?'C'],
?????'2020':?[80,?60,?40],
?????'2021':?[800,?600,?400],?
?????'2022':?[8000,?6000,?4000]})

pd.melt(df,
????????id_vars=['地區(qū)'],
????????value_vars=['2020',?'2021',?'2022'])

設(shè)置var_name與value_name。

df?=?pd.melt(df,
?????????????id_vars=['地區(qū)'],
?????????????value_vars=['2020',?'2021',?'2022'],
?????????????var_name='年份',
?????????????value_name='銷售額')

pandas.pivot()

pivot函數(shù)主要用于通過索引及列值對(duì)DataFrame重構(gòu)。

“
pandas.pivot(data, index=None, columns=None, values=None)
”

參數(shù)含義

data：DataFrame對(duì)象
index：可選，用于新DataFrame的索引
columns：用于創(chuàng)建新DataFrame的列
values：可選，用于填充新DataFrame的值

用上面的結(jié)果舉個(gè)例子：

df.pivot(index='年份',
?????????columns='地區(qū)',
?????????values='銷售額')

也可以寫成以下格式。

df.pivot(index='年份',?columns='地區(qū)')['銷售額']

添加一個(gè)銷量列，同時(shí)統(tǒng)計(jì)兩個(gè)values，這樣會(huì)使columns變成多層索引。

df['銷量']?=?df['銷售額']/10
df.pivot(index='年份',
?????????columns='地區(qū)',
?????????values=['銷售額',?'銷量'])

添加一個(gè)月份列，指定兩個(gè)index。

df['月份']?=?[f'{m}月'?for?m?in?range(1,?4)]*3
df.pivot(index=['年份',?'月份'],
?????????columns='地區(qū)',
?????????values='銷售額')

使用pivot時(shí)需要注意，當(dāng)index，columns出現(xiàn)重復(fù)時(shí)，會(huì)導(dǎo)致ValueError。

df?=?pd.DataFrame(
????????{'地區(qū)':?['A',?'A',?'B',?'C'],
?????????'年份':?['2020',?'2020',?'2021',?'2022'],
?????????'銷售額':?[800,?600,?400,?200]})

df.pivot(index='地區(qū)',
?????????columns='年份',
?????????values='銷售額')
#?ValueError

pandas.pivot_table()

這個(gè)函數(shù)之前已經(jīng)單獨(dú)講過了，詳見Pandas玩轉(zhuǎn)數(shù)據(jù)透視表，相比于pivot，pivot_table的靈活性更強(qiáng)。

pandas.crosstab()

crosstab函數(shù)計(jì)算兩個(gè)(或多個(gè))數(shù)組的簡(jiǎn)單交叉表。默認(rèn)情況下計(jì)算元素的頻率表。

“
pandas.crosstab(index, columns, values=None, rownames=None, colnames=None, aggfunc=None, margins=False, margins_name='All', dropna=True, normalize=False)
”

看下例子：

這里默認(rèn)計(jì)算頻率。

import?numpy?as?np
array_A?=?np.array(["one",?"two",?"two",?"three",?"three",?"three"],?dtype=object)
array_B?=?np.array(["Python",?"Python",?"Python",?"C",?"C",?"C"],?dtype=object)
array_C?=?np.array(["Y",?"Y",?"Y",?"N",?"N",?"N"])
pd.crosstab(array_A,
???????????[array_B,?array_C],
???????????rownames=['array_A'],
???????????colnames=['array_B',?'array_C'])

新建一個(gè)values列，計(jì)算總和。

array_D?=?np.array([1,?4,?9,?16,?25,?36])
pd.crosstab(index=array_A,
????????????columns=[array_B,?array_C],
????????????rownames=['array_A'],
????????????colnames=['array_B',?'array_C'],
????????????values=array_D,
????????????aggfunc='sum')

到此這篇關(guān)于一文搞懂Pandas數(shù)據(jù)透視的4個(gè)函數(shù)的使用的文章就介紹到這了,更多相關(guān)Pandas數(shù)據(jù)透視內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: