回歸昨天提到的，大多數人可能都有在Excel中使用透視表的經驗。 Pandas 提供了一個類似的函數，叫做 Pivot_table。雖然它非常有用，但我經常發現自己很難記住如何使用語法來格式化輸出我的需要。本文將重點解釋pandas pivot_table 函數以及如何將其用於你的數據分析。
使用 Pandas 的挑戰之一是確保你了解你的數據，以及你試圖用透視表來回答什麼問題。它看似簡單的函數，但可以快速產生非常強大的分析。在這種情況下，我將會利用行銷漏斗來說明。你可以思考基本問題是，有些銷售週期非常長，如果管理層希望在一年中更詳細地了解它，需要利用什麼常見的典型問題包含。
df = pd.read_excel("data/funnel.xlsx")
df.head()
為了方便起見，讓我們把狀態列定義為一個類別，並設置我們想要查看的順序。 這不是嚴格的要求，但有助於我們在分析數據的過程中保持我們想要的順序。使用熊貓的數據透視表可以是一個很好的選擇：
df["Status"] = df["Status"].astype("category")
df["Status"].cat.set_categories(["won","pending","presented","declined"],inplace=True)
df.head()
pd.pivot_table(df,index=["Name"]) #Prcie & Quantuly = AVG
你可以看到，數據透視表足夠聰明，它開始匯總數據，並通過將代表與他們的經理分組來總結數據。現在我們開始領略到數據透視表可以為我們做什麼。對於這個目的，賬戶和數量列並不真正有用。讓我們通過使用數值字段明確定義我們所關心的列來刪除它。
pd.pivot_table(df,index=["Manager","Rep","Name"],values=["Price"]) #AVG
aggfunc 可以接受一個函數的列表。價格欄會自動對數據進行平均，但我們可以做一個計數或求和。使用aggfunc和np.sum就可以簡單地將它們加起來。讓我們試試用numpy的mean函數和len來得到一個計數的平均值。
pd.pivot_table(df,index=["Manager","Rep"],values=["Price"],aggfunc=np.sum)
今年沒組團，每一筆一字矢志不渝的獻身精神都是為歷史書寫下新頁，有空的話可以走走逛逛我們去年寫的文章。
Jerry 據說是個僅佔人口的 4% 人口的 INFP 理想主義者，總是從最壞的生活中尋找最好的一面，想方設法讓世界更好，內心的火焰和熱情可以光芒四射，畢業後把人生暫停了半年，緩下腳步的同時找了份跨領域工作。偶而散步、愛跟小動物玩耍。曾立過很多志，最近是希望當一個有夢想的人。
謝謝你的時間「訂閱,追蹤和留言」都是陪伴我走過 30 天鐵人賽的精神糧食。
iThome鐵人賽
看影片追技術