在处理数据时，经常需要对数据分组计算均值或者计数，在Microsoft Excel中，可以通过透视表轻易实现简单的分组运算。而对于更加复杂的分组运算，Python中pandas包可以帮助我们实现。
1 数据
首先引入几个重要的包：
import pandas as pd import numpy as np from pandas import Data ,Series
通过代码构造数据集：
data=Data ({\'key1\':[\'a\',\'b\',\'c\',\'a\',\'c\',\'a\',\'b\',\'a\',\'c\',\'a\',\'b\',\'c\'],\'key2\':[\'one\',\'two\',\'three\',\'two\',\'one\',\'one\',\'three\',\'one\',\'two\',\'three\',\'one\',\'two\'],\'num1\':np.random.rand(12),\'num2\':np.random.randn(12)})
得到数据集如下：
data key1 key2 num1 num2 0 a one 0.268705 0.084091 1 b two 0.876707 0.217794 2 c three 0.229999 0.574402 3 a two 0.707990 -1.444415 4 c one 0.786064 0.343244 5 a one 0.587273 1.212391 6 b three 0.927396 1.505372 7 a one 0.295271 -0.497633 8 c two 0.292721 0.098814 9 a three 0.369788 -1.157426
2 交叉表—分类计数
按照不同类进行计数统计是最常见透视功能，可以通
（1）crosstab
#函数： crosstab(index, columns, values=None, rownames=None, colnames=None, aggfunc=None, margins=False, dropna=True, normalize=False)
crosstab的index和columns是必须要指定复制的参数：
pd.crosstab(data.key1,data.key2)
结果如下：
key2 one three two key1 a 3 1 1 b 0 1 1 c 1 1 1
想要在边框处增加汇总项可以指定margin的值为True：
pd.crosstab(data.key1,data.key2,margins=True)
结果：
key2 one three two All key1 a 3 1 1 5 b 1 1 1 3 c 1 1 2 4 All 5 3 4 12
（2）pivot_table
函数：
pivot_table(data, values=None, index=None, columns=None, aggfunc=\'mean\', fill_value=None, margins=False, dropna=True, margins_name=\'All\')
使用pivot_table函数同样可以实现，运算函数默认值aggfunc=\'mean\',指定为aggfunc=\'count\'即可：
data.pivot_table(\'num1\',index=\'key1\',columns=\'key2\',aggfunc=\'count\')
结果相同：
key2 one three two key1 a 3 1 1 b 1 1 1 c 1 1 2
（3）groupby
通过groupby相对来说会更加复杂，首先需要对data按照key1和key2进行聚类，然后进行count运算，再将key2的index重塑为columns：
data.groupby([\'key1\',\'key2\'])[\'num1\'].count().unstack()
结果：
key2 one three two key1 a 3 1 1 b 1 1 1 c 1 1 2
3 其它透视表运算
（1）pivot_table
pivot_table(data, values=None, index=None, columns=None, aggfunc=\'mean\', fill_value=None, margins=False, dropna=True, margins_name=\'All\')
要进行何种运算，只需要指定aggfunc即可。
默认计算均值：
data.pivot_table(index=\'key1\',columns=\'key2\')
out：
num1 num2 key2 one three two one three two key1 a 0.193332 0.705657 0.203155 -0.165749 2.398164 -1.293595 b 0.167947 0.204545 0.661460 0.555850 -0.522528 0.143530 c 0.496993 0.033673 0.206028 -0.115093 0.024650 0.077726
分类汇总呢并求和：
data.pivot_table(index=\'key1\',columns=\'key2\',aggfunc=\'sum\')
结果：
num1 num2 key2 one three two one three two key1 a 0.579996 0.705657 0.203155 -0.497246 2.398164 -1.293595 b 0.167947 0.204545 0.661460 0.555850 -0.522528 0.143530 c 0.496993 0.033673 0.412055 -0.115093 0.024650 0.155452
也可以使用其它自定义函数：
#定义一个最大值减最小值的函数 def max_min (group): return group.max()-group.min()
data.pivot_table(index=\'key1\',columns=\'key2\',aggfunc=max_min)
结果：
num1 num2 key2 one three two one three two key1 a 0.179266 0.0 0.000 3.109405 0.0 0.000000 b 0.000000 0.0 0.000 0.000000 0.0 0.000000 c 0.000000 0.0 0.177 0.000000 0.0 1.609466
（2）通过groupby
普通的函数如mean，sum可以直接应用：
data.groupby([\'key1\',\'key2\']).mean().unstack()
返回结果：
num1 num2 key2 one three two one three two key1 a 0.193332 0.705657 0.203155 -0.165749 2.398164 -1.293595 b 0.167947 0.204545 0.661460 0.555850 -0.522528 0.143530 c 0.496993 0.033673 0.206028 -0.115093 0.024650 0.077726
以上这篇用Python实现数据的透视表的方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。
继续阅读与本文标签相同的文章
下一篇 :
特征选择常用算法
-
多路RTSP-RTMP转RTMP官方定制版
2026-05-19栏目： 教程
-
服务器租用价格多少,决定云服务器价格的因素
2026-05-19栏目： 教程
-
企业上云的好处优势告诉你企业为什么要上云？
2026-05-19栏目： 教程
-
阿里云910会员节大促主会场全攻略
2026-05-19栏目： 教程
-
Agentless监控实践中的预警指标采集
2026-05-19栏目： 教程