数据透视表

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

数据透视表是我们在数据分析中常见的工具之一，本节将向大家介绍 Python 中数据透视表的构建与使用。
首先导入 Numpy 库、 Pandas 库、 Seanborn 库，以及本节的示例数据——一份泰坦尼克号乘客数据：

1. import numpy as np
   
2. import pandas as pd
   
3. import seaborn as sns
   
4. titanic = sns.load_dataset('titanic')

复制代码

1. titanic.head()

复制代码

可以看到，我们的示例数据中包含了泰坦尼克号上每一个乘客的相关信息，包括是否生还、是否在世等等。
运用 Pandas 的 groupby 函数，我们可以用分组的思维构建一个数据透视表，例如查看不同性别的生还者占比：

1. titanic.groupby('sex')[['survived']].mean()

复制代码

通过在 groupby 函数中传入指定的列名序列，我们就可以进行多维度下的数据透视，例如查看在不同舱位等级中男女的生还者占比（可以理解为生还的概率）：

1. titanic.groupby(['sex', 'class'])['survived'].aggregate('mean').unstack()

复制代码

Pandas 中的另一个函数 pivot_table 同样也能够帮助我们构建数据透视表，相比于 groupby 函数， pivot_table 在构建数据表格时更为直接，我们只需要指定表格的行列与元素的含义，便能够默认地得到对应的结果：

1. titanic.pivot_table('survived', index='sex', columns='class')

复制代码

通过 cut 函数，我们将数据集 age 列中的元素归纳入不同的分组，由此构建新的序列 age，这个序列中的元素代表了对应乘客样本所属的年龄段。我们由此构建数据透视表，查看不同仓位等级下不同年龄段的男性与女性中的生还者占比：

1. age = pd.cut(titanic['age'], [0, 18, 80])
   
2. titanic.pivot_table('survived', ['sex', age], 'class')

复制代码

当然，我们还可以在列上为数据透视表增加维度，只要将 pivot_table 函数的第三个输入也改为指定的列表即可，例如我们可以同时查看一下票价高低对于生还概率的影响：

1. fare = pd.qcut(titanic['fare'], 2)
   
2. titanic.pivot_table('survived', ['sex', age], [fare, 'class'])

复制代码

以上转自 数析学院，原文内容较多，有需要的同学可以直接查看原文

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏2 回帖