虚拟主机销售系统重庆seo小潘大神

pivot_table

pandas的pivot_table函数是一个非常有用的工具，用于创建一个数据透视表，这是一种用于数据总结和分析的表格形式。

以下是pivot_table的基本语法：

pandas.pivot_table(data, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All')

函数参数解释：

• data: 需要创建透视表的 DataFrame。
• values: 需要进行聚合的列名。
• index: 透视表的行标签。
• columns: 透视表的列标签。
• aggfunc: 聚合函数或函数列表。默认是 ‘mean’。可以是 ‘sum’, ‘count’, ‘min’, ‘max’, ‘median’, ‘var’, ‘std’ 等，或者是使用 numpy 的函数，例如 np.sum。
• fill_value: 替换结果表中的缺失值的值。
• margins: 添加行/列边际（小计和总计）。
• dropna: 不包括具有空值的列。
• margins_name: 边际列的名称，默认为 ‘All’。

运用场景

【需求场景描述】：将多行的数据转换为多列
当aggfunc不设置参数时默认使用mean对数据进行聚合。
也就是说对于index和columns是能够唯一标识数据的话，我们就可以利用pivot_table对数据转置。
以下是我遇到的一个场景实例：
将一个列分类变量，比如stock_id对应多个stock。
但是当我们想用所有的stock在同一时刻的数据来预测整体index指数数据。
就需要将长面板数据转换为宽面板数据。从而能够用一个市场整体的数据来预测一个指标走势。

实现代码

columns_list = [i for i in df.columns if 'id' not in i and i != 'seconds_in_bucket']
df_pitvot = pd.pivot_table(df,index=['date_id','seconds_in_bucket'], columns=['stock_id'],values=columns_list)

转换前的数据

df.head(50)

转换后的数据