Pandas DataFrame.pivot_table()

pivot_table()是Pandas库中的一个函数，用于对DataFrame进行数据透视表操作。该函数结合了groupby和reshape操作，可以非常方便地对数据进行聚合、重塑和过滤，同时也可以针对不同的维度进行细分和分析。

Signature:
pd.pivot_table(
    data,
    values=None,
    index=None,
    columns=None,
    aggfunc="mean",
    fill_value=None,
    margins=False,
    dropna=True,
    margins_name="All",
    observed=False,
)

参数说明：

• data：需要进行透视操作的数据集
• values：指定需要进行聚合分析的字段名称
• index：指定作为行索引的字段名称，可以是单个字段，也可以是多个字段组成的列表
• columns：指定作为列索引的字段名称，可以是单个字段，也可以是多个字段组成的列表
• aggfunc：指定聚合函数，默认为mean
• fill_value：指定缺失值填充的值
• margins：指定是否显示合计行和合计列，默认为False
• dropna：指定是否删除缺失数据，默认为True
• margins_name：指定合计行和合计列的名称，默认为"All"
• observed：指定是否在透视表中只显示观察到的值，默认为False

返回值：

返回一个DataFrame类型的数据集，其中包含对数据进行透视操作后的结果。

示例：

import pandas as pd
import numpy as np

df = pd.DataFrame({
    'gender': ['M', 'M', 'F', 'F', 'F'],
    'level': ['A', 'B', 'C', 'A', 'B'],
    'score': [80, 90, 70, 85, 95],
    'age': [20, 21, 22, 23, 24]
})

# 对gender和level字段进行透视操作，计算score的平均值
table = pd.pivot_table(df, values='score', index=['gender'], columns=['level'], aggfunc=np.mean)
print(table)

输出结果：

level    A     B     C
gender               
F       85.0  95.0  70.0
M       80.0  90.0   NaN

该示例中，我们构造了一个DataFrame数据集，其中包含几个分别代表性别、等级、分数和年龄的字段。然后，我们使用pivot_table()函数对性别和等级字段进行透视操作，以score字段作为需要聚合的值，并使用np.mean函数计算各组的平均值。结果表明，女性的平均分比男性高，且等级B的平均分最高。

通过使用pivot_table()函数，我们可以很方便地对数据进行透视操作，并且可以自由地组合各种参数，以满足不同的分析需求。同时，该函数的可读性也非常高，可以使代码更加简洁、易懂。