Python 平铺数据并映射

Python 平铺数据并映射，通常也被称为数据透视表，可以帮助我们更好地理解和分析数据。以下是详细讲解Python 平铺数据并映射的完整攻略。

什么是数据透视表

数据透视表是一种在 Excel 和其他电子表格程序中广泛使用的数据分析工具。 它允许用户将一个大的数据集压缩成可读的摘要表格，从而更容易发现数据背后的趋势和模式。在Python中，可以使用pandas库中的pivot_table方法生成类似的数据透视表。

如何使用Python 平铺数据并映射

假设我们有一份数据集，包含了一些用户的姓名、年龄和性别信息。我们想知道每个性别的人数以及每个性别的平均年龄。

首先，我们需要导入 pandas 库，并且读取数据集：

import pandas as pd

data = pd.read_csv('user_info.csv')

我们来看一下数据集的前5行：

data.head()

输出：

    Name  Age     Sex
0   John   32    Male
1   Sara   25  Female
2  Peter   39    Male
3  Alice   28  Female
4   Lucy   50  Female

接着，我们可以使用 pivot_table() 方法来生成数据透视表：

pivot_table = pd.pivot_table(data, 
                             index=['Sex'], 
                             values=['Age'], 
                             aggfunc=['count', 'mean'])

在这里，我们指定了 index，也就是按照性别分组， values 是我们想要统计的数据列，这里是年龄。aggfunc 参数指定了我们要进行的汇总操作。count 是计数，mean 是求平均值。

最后，我们可以输出生成的数据透视表：

print(pivot_table)

输出：

        count       mean
          Age        Age
Sex                     
Female      3  34.333333
Male        2  35.500000

我们可以发现，我们的数据透视表表示，有3个女性和2个男性，女性的平均年龄为 34.33，男性的平均年龄为 35.5。

示例2

接下来，假设我们有一份数据集，包含了一些产品的销售信息。我们想知道每个月份的总销售额和每个产品的月平均销售额。

首先，我们需要导入 pandas 库，并且读取数据集：

import pandas as pd

data = pd.read_csv('sales_info.csv')

我们来看一下数据集的前5行：

data.head()

输出：

     Date Product  Sales
0  1/1/19       A    100
1  1/1/19       B    150
2  1/2/19       A     75
3  1/2/19       B    200
4  1/3/19       A    200

接着，我们可以使用 pivot_table() 方法来生成数据透视表：

pivot_table = pd.pivot_table(data, 
                             index=['Product'], 
                             columns=['Date'], 
                             values=['Sales'], 
                             aggfunc=['sum','mean'])

在这里，我们指定了 index，也就是按照产品分组， columns 是我们想要横向展示的数据列，这里是日期. values 是我们想要统计的数据列，这里是销售额。aggfunc 参数指定了我们要进行的汇总操作。sum 是总和，mean 是求平均值。

最后，我们可以输出生成的数据透视：

print(pivot_table)

输出：

           sum                         ...     mean                       
         Sales                         ...    Sales                       
Date    1/1/19 1/2/19 1/3/19 1/4/19  ... 2/26/19 2/27/19 2/28/19 3/1/19
Product                             ...                                  
A          100     75    200    NaN  ...     NaN   100.0   100.0  200.0
B          150    200    150    NaN  ...   200.0   150.0     NaN  150.0

我们可以发现，我们的数据透视表表示，每个产品在每个月份的总销售额和平均销售额。