python pandas库——pivot使用心得

2017年12月14日 17:07:06

阅读数：364

最近在做基于python的数据分析工作，引用第三方数据分析库——pandas（version 0.16）。
在做数据统计二维表转换的时候走了不少弯路，发现pivot()这个方法可以解决很多问题，让我少走一些弯路，节省了大量的代码。于是我这里对于pandas下dataframe的pivot()方法进行学习总结和应用，以便回顾和巩固知识。

以统计学生成绩信息为例。
在做学生成绩信息统计的时候，我们从学生各科考试成绩文件（.csv或.xls等）中把数据抽取上来。样本模拟数据（data_df）如下。

In [13]: print data_df

  userNum  score subjectCode subjectName userName

0   001     90        01         语文       张三

1   002     96        01         语文       李四

2   003     93        01         语文       王五

3   001     87        02         数学       张三

4   002     82        02         数学       李四

5   003     80        02         数学       王五

要把上面二维表转换为每个人各科的成绩信息。就像咱们中学时期的成绩单一样。类似于

学籍号  姓名  班级  语文成绩  语文排名  数学成绩  数学排名

                        ...

的一张二维表。

我之前的传统统计方式，给data_df根据学籍号进行groupby，再循环遍历该分组得到每个人的各科成绩信息，再统计到一张新表中，然后循环append每一张新表，可生成以上的样表。如果我们需要统计全年级的学生呢？可能一个年级有500个学生，那就是循环500次。此时我们需要统计一个市区内多校联考的学生呢？岂不是要循环成百上千次？实际情况，这样的做法使得我们的脚本跑的非常的慢。

直到我在pandas的官方api上查到pivot()的这个方法。

大概的意思就是根据列对数据表进行重塑。这样理解实在晦涩难懂。我不喜欢长篇大论，更喜欢暴力一点的，use it and 直观感受它（这样做当然不可取，最好还是对它的方法理解透彻一些，以便了解他更多的适用场景）。

从官方api可以知道他有三个参数，第一个index是重塑的新表的索引名称是什么，第二个columns是重塑的新表的列名称是什么，一般来说就是被统计列的分组，第三个values就是生成新列的值应该是多少，如果没有，则会对data_df剩下未统计的列进行重新排列放到columns的上层。

直接上代码

In [20]: pivot_df = data_df.pivot(index='userNum', columns='subjectCode', values='score')

我们给能标识每个学生的学籍号userNum作为索引，因为我们是要统计每个学生，所以每个学生的信息作为一行。要生成语文成绩，数学成绩等，那么可以用标识学科的subjectCode作为每一列，最后，值，当然就是score给每个科目赋成绩值了！

以下是生成的结果

In [21]: print pivot_df

subjectCode  01  02

userNum

001          90  87

002          96  82

003          93  80

这就生成了我们大致想要的样子了，之后可以再给pivot_df的列名进行调整，还有其整体样式的调整。

# 这只是其中一个方式，如有更好的方式，不吝赐教~

# 列名称置空

pivot_df.columns.name = None

# 遍历每个学科对新表列名进行修改

data_df_G = data_df.groupby(["subjectCode"], as_index=False)

temp_count = 1

for index, subject_df in data_df_G:

    # 把成绩排名添加到各科成绩之后

    pivot_df.insert(temp_count, "rank_" + str(index), pivot_df[index].rank(ascending=False, method='min'))

    # 重命名各科成绩

    pivot_df.rename(columns={index: ("score_" + str(index))}, inplace=True)

    temp_count += 2

# 把userNum添加的列中

pivot_df['userNum'] = pivot_df.index

# 索引名称置空

pivot_df.index.name = None

temp_df = data_df.loc[:, ["userNum", "userName"]]

temp_df.drop_duplicates(inplace=True)

# 剩余列拼接

pivot_df = temp_df.merge(pivot_df, on="userNum", how="left")

最后生成的样式，大致能满足我们需要的东西了

In [30]: print(pivot_df)

  userNum userName  score_01  rank_01  score_02  rank_02

0   001       张三      90        3        87        1

1   002       李四      96        1        82        2

2   003       王五      93        2        80        3