[大数据]Pandas数据分析—使用stack和pivot实现数据透视

15.Pandas使用stack和pivot实现数据透视

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。

1. 经过统计得到多维度指标数据
2. 使用unstack实现数据二维透视
3. 使用pivot简化透视
4. stack、unstack、pivot的语法

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

这就是pandas中使用stack和pivot实现数据透视的基本用法了，希望可以帮助到你。