Pandas数据分析15——pandas数据透视表和交叉表

 参考书目：《深入浅出Pandas：利用Python进行数据处理与分析》

---

pandas对数据框也可以像excel一样进行数据透视表整合之类的操作。主要是针对分类数据进行操作，还可以计算数值型数据，去满足复杂的分类数据整理的逻辑。

首先还是导入包：

import numpy as np  
import pandas as pd

---

整理透视 pivot 

首先介绍的是最简单的整理透视函数pivot，其原理如图

 '''pivot参数
index：新 df 的索引列，用于分组，如果为None，则使用现有索引
columns：新 df 的列，如果透视后有重复值会报错
values：用于填充 df 的列。 如果未指定，将使用所有剩余的列，并且结果将具有按层次结构索引的列'''

用法如下，首先生成案例数据df

df = pd.DataFrame({'foo': ['one', 'one', 'one', 'two', 'two', 'two'],
                   'bar': ['A', 'B', 'C', 'A', 'B', 'C'],
                   'baz': [1, 2, 3, 4, 5, 6],
                   'zoo': ['x', 'y', 'z', 'q', 'w', 't']})
df

df.pivot(index='foo', columns='bar', values='baz')

可以看到是一一对应。简单来说就是把foo、bar两个分类变量整到行列名称上去了，baz作为值

# 多层索引，可以取其中一列
df.pivot(index='foo', columns='bar') #['baz']

# 指定值
df.pivot(index='foo', columns='bar', values=['baz', 'zoo'])

 

---

聚合透视 Pivot Table

上面的pivot只适用于一一对应的情况，如果分类变量的组合一样，但是取值不一样就会报错。此时应该用Pivot Table，他默认计算相同情况的均值。

'''参数：data: 要透视的 DataFrame 对象
values: 要聚合的列或者多个列
index: 在数据透视表索引上进行分组的键
columns: 在数据透视表列上进行分组的键
aggfunc: 用于聚合的函数, 默认是 numpy.mean'''
 

df = pd.DataFrame({"A": ["a1", "a1", "a1", "a2", "a2","a2"],
                   "B": ["b2", "b2", "b1", "b1", "b1","b1"],
                   "C": ['c1','c1','c2','c2','c1','c1'],
                   "D": [1, 2, 3, 4, 5, 6]})
df

#索引a，列b使用Pivot会报错，因为他们之间的组合有重复，要用Pivot Table，默认计算均值
pd.pivot_table(df,index='A',columns='B',values='D')

#验证一下b1,a2这个均值5
df.loc[(df.A=='a2')&(df.B=='b1')].D.mean()

 聚合透视高级操作

pd.pivot_table(df,index=['A','B'],#指定多个索引
               columns=['C'],  #指定列
               values='D', #数据值列
               aggfunc=np.sum, #聚合函数
               fill_value=0, #空值填充
               margins=True  #增加汇总列
              )

 #多个计算方法

pd.pivot_table(df,index=['A','B'],#指定多个索引
               columns=['C'],  #指定列
               values='D', #数据值列
               aggfunc=[np.sum,np.mean,np.std]
              )

 

---

交叉表crosstab()

#交叉表是用于统计分组频率的特殊透视表。简单来说，就是将两个或者多个列重中不重复的元素组成一个新的 DataFrame，新数据的行和列交叉的部分值为其组合在原数据中的数量

'''语法结构如下：
pd.crosstab(index, columns, values=None, rownames=None,colnames=None, aggfunc=None, margins=False,
margins_name: str = 'All', dropna: bool = True,normalize=False) #→ 'DataFrame'
参数说明：
index：类数组，在行中按分组的值。
columns：类数组的值，用于在列中进行分组。
values：类数组的，可选的，要根据因素汇总的值数组。
aggfunc：函数，可选，如果未传递任何值数组，则计算频率表。
rownames：序列，默认为None，必须与传递的行数组数匹配。
colnames：序列，默认值为None，如果传递，则必须与传递的列数组数匹配。
margins：布尔值，默认为False，添加行/列边距（小计）
normalize：布尔值，{'all'，'index'，'columns'}或{0,1}，默认为False。 通过将所有值除以值的总和进行归一化。'''

生成案例数据

df = pd.DataFrame({"A": ["a1", "a1", "a1", "a2", "a2","a2"],
                   "B": ["b2", "b2", "b1", "b1", "b1","b1"],
                   "C": ['c1','c1','c2','c2','c1','c1'],
                   "D": [1, 2, 3, 4, 5, 6]})
df

pd.crosstab(df['A'],df['B'])  #都是分类数据，计算频率

pd.crosstab(df['A'],df['C']) #都是分类数据

 

#对交叉结果进行归一化：
pd.crosstab(df['A'], df['B'], normalize=True)

#对每列进行归一化：
pd.crosstab(df['A'], df['B'], normalize='columns')

 

#聚合，指定列做为值，并将这些值按一定算法进行聚合：
pd.crosstab(df['A'], df['C'], values=df['D'], aggfunc=np.sum) #分类和数值

#边距汇总，在最右边增加一个汇总列：
pd.crosstab(df['A'], df['B'],values=df['D'],aggfunc=np.sum,
            normalize=True,margins=True)

---

数据融合melt()

#df.melt() 是 df.pivot() 逆转操作函数。简单说就是将指定的列放到铺开放到行上名为variable(可指定)列，值在value(可指定)列 

 

 
'''语法结构
具体语法结构如下：
pd.melt(frame: pandas.core.frame.DataFrame,id_vars=None, value_vars=None,
        var_name='variable', value_name='value',col_level=None)
其中：
id_varstuple，list或ndarray（可选），用作标识变量的列。
value_varstuple，列表或ndarray，可选，要取消透视的列。 如果未指定，则使用未设置为id_vars的所有列。
var_namescalar，用于“变量”列的名称。 如果为None，则使用frame.columns.name或“variable”。
value_namescalar，默认为“ value”，用于“ value”列的名称。
col_levelint或str，可选，如果列是MultiIndex，则使用此级别来融化。'''

生成案例数据

df=pd.DataFrame({'A':['a1','a2','a3','a4','a5'],
                'B':['b1','b2','b3','b4','b5'],
                'C':[1,2,3,4,5]})
df

pd.melt(df)

#指定标识和值,
pd.melt(df,id_vars=['A'])  #只对BC展开

pd.melt(df,value_vars=['B','C']) #保留BC,并展开

#同时指定，并命名
pd.melt(df,id_vars=['A'],value_vars=['B'],var_name='B_label',value_name='B_value') 

 

---

数据堆叠 stack

#stack就是把列变量堆到行上，unstack就是行变到列上

生成案例数据 

#堆叠 stack 单层索引：
df = pd.DataFrame({'A':['a1','a1','a2','a2'],
                  'B':['b1','b2','b1','b2'],
                  'C':[1,2,3,4],
                  'D':[5,6,7,8],
                  'E':[5,6,7,8]})
df.set_index(['A','B'],inplace=True)
df

 

 stack 堆叠

df.stack()

 unstack 解堆

df.stack().unstack()

df.stack().unstack().unstack()

 

df.stack().unstack().unstack().unstack()

 

 可以看到，解堆就是不停地把列变量弄到行上去作为索引。