目录
- 前言
- 一、经过统计得到多维度指标数据
- 二、使用unstack实现数据的二维透视
- 三、使用pivot简化透视
- 四、stack、unstack、pivot的语法
- 总结
前言
笔者最近正在学习Pandas数据分析，将自己的学习笔记做成一套系列文章。本节主要记录Pandas中使用stack和pivot实现数据透视。
一、经过统计得到多维度指标数据
非常场景的统计场景，指定多个维度，计算聚合后的指标
实例：统计得到“电影评分数据集”，每个月份的每个分数被评分多少次:(月份、分数1-5、次数)
import pandas as pd
import numpy as np
%matplotlib inline
df=pd.read_csv(
"./datas/ml-1m/ratings.dat",
sep="::",
engine='python',
names='UserID::MovieID::Rating::Timestamp'.split("::"),
header=None
)
df.head()
#将时间戳转换为具体的时间
df['padate']=pd.to_datetime(df["Timestamp"],unit='s')
df.head()
df.dtypes
#实现数据统计
# 对于这样格式的数据，我想查看按月份，不同评分的次数趋势，是没有办法进行实现的，需要将数据转换为每个评分是一列才可以实现。
df_group=df.groupby([df["padate"].dt.month,"Rating"])["UserID"].agg(pv=np.sum)
df_group.head(20)
二、使用unstack实现数据的二维透视
目的： 想要画图对比按照月份的不同评分的数量趋势
df_stack=df_group.unstack()
df_stack
df_stack.plot()
#unstack和stack是互逆的操作
df_stack.stack().head(20)
三、使用pivot简化透视
pivot方法相当于对df使用set_index创建分层索引，然后调用unstack
df_group.head(20)
df_reset=df_group.reset_index()
df_reset.head()
df_pivot=df_reset.pivot("padate","Rating","pv")
df_pivot.head()
df_pivot.plot()
四、stack、unstack、pivot的语法
1.stack
stack:DataFrame.stack(level=-1,dropna=True),将column变成index，类似把横放的书籍变成竖放
level=-1代表多层索引的最内层，可以通过==0,1,2指定多层索引的对应层
2.unstack
unstack:DataFrame.unstack(level=-1,fill_value=None)，将index变成column，类似把竖放的书变成横放
3.pivot
pivot:DataFrame.pivot(index=None,columns=None,values=None)，指定index,columns,values实现二维透视
总结
到此这篇关于Pandas使用stack和pivot实现数据透视的方法的文章就介绍到这了,更多相关Pandas stack和pivot数据透视内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
您可能感兴趣的文章:- Pandas 重塑(stack)和轴向旋转(pivot)的实现
- pandas.DataFrame的pivot()和unstack()实现行转列
