table 和 pivot_table

来源：互联网发布：卓越工具箱淘宝客软件编辑：程序博客网时间：2024/06/16 14:27

透视表在处理时序问题上很方便，处理完后可转换为常规table，便于统计。举例说明：

   class_id     dates  sale_num0      1001  20150101         31      1001  20150102         62      1001  20150103         7...In[]:data = pd.pivot_table(mid_num,index=['class_id'],values=['sale_num'],columns=['dates'])In[]:df = data.iloc[0:3,0:3]In[]:dfOut[21]:         sale_numdates    20150101 20150102 20150103class_id1001          3.0      6.0      7.01002          0.0      0.0      0.01004          1.0      3.0      3.0In[]:df.stack()Out[26]:                    sale_numclass_id dates             1001     20150101       3.0         20150102       6.0         20150103       7.01002     20150101       0.0         20150102       0.0         20150103       0.01004     20150101       1.0         20150102       3.0         20150103       3.0In[]:df.stack().reset_index()Out[28]:    class_id     dates  sale_num0      1001  20150101       3.01      1001  20150102       6.02      1001  20150103       7.03      1002  20150101       0.04      1002  20150102       0.05      1002  20150103       0.06      1004  20150101       1.07      1004  20150102       3.08      1004  20150103       3.0

In[]:df.unstack()Out[27]:           dates     class_idsale_num  20150101  1001        3.0                    1002        0.0                    1004        1.0          20150102  1001        6.0                    1002        0.0                    1004        3.0          20150103  1001        7.0                    1002        0.0                    1004        3.0In[]:   m4_md_num                  日期  20150501 20150502 20150503编码                            10      17.0     10.0      5.011       7.0      0.0      1.012     145.0     32.0     29.0In[]:df.index.names=[None]In[]:dfOut[206]:    m4_md_num                  日期  20150501 20150502 2015050310      17.0     10.0      5.011       7.0      0.0      1.012     145.0     32.0     29.0# data.unstack().stack() 进行还原

2、处理pivot_table，去掉索引：

（1）法一

In[]:df  m4_md_num                  日期  20150501 20150502 20150503编码                            10      17.0     10.0      5.011       7.0      0.0      1.012     145.0     32.0     29.0In[]:df.xs('m4_md_num',axis=1,drop_level=True)Out[174]: 日期  20150501  20150502  20150503编码                              10      17.0      10.0       5.011       7.0       0.0       1.012     145.0      32.0      29.0In[]:df.reset_index()Out[175]: 日期  编码  20150501  20150502  201505030   10      17.0      10.0       5.01   11       7.0       0.0       1.02   12     145.0      32.0      29.0In[]:df.to_csv('df.csv',index=False)

(2)法二

In[]:df.columns = df.columns.droplevel()In[]:df.reset_index()In[]:df.to_csv('df2.csv')

3、行转列

# 行转列Out[32]:     class_id  2015-01-01  2015-01-02  2015-01-03  2015-01-040       1001         3.0         6.0         7.0         5.01       1002         0.0         0.0         0.0         0.02       1004         1.0         3.0         3.0         2.03       1101         1.0         0.0         0.0         0.0In[]:pd.melt(df,id_vars=['class_id'],value_vars=df.columns[1:],var_name='dates',value_name='sale_num')Out[34]:     class_id       dates  sale_num0       1001  2015-01-01       3.01       1002  2015-01-01       0.02       1004  2015-01-01       1.03       1101  2015-01-01       1.04       1102  2015-01-01       0.05       1201  2015-01-01      64.0

4、

阅读全文

0 0