一行Pandas代码制作生物信息学透视表，太牛了

output

或者我们也可以这么来写

df.pivot_table(index=['region'], values=['sales'], aggfunc={ 'sales': 'sum' })

当然我们要是说道只有一个聚合给定可能还够，我们可以多来移除几个

df.pivot_table(index=['region'], values=['sales'], aggfunc=['sum', 'count'])

output

剩下再次的一个这两项表达式columns近似于先前说明的index用来另设列宏观的文件名，当然它并不是一个充分的表达式，例如

df.pivot_table(index=['region'], values=['sales'], aggfunc='sum', columns=['product_category'])

output

在“列”方向上所列示每种牛奶在每个南部的下载量二分，要是我们不给定调用columns表达式，而是统一作为index目录的话，字符如下

df.pivot_table(index=['region', 'product_category'], values=['sales'], aggfunc='sum')

output

同时我们看到以外存在着一些缺失值，我们可以选取将这些缺失值替换丢

df.pivot_table(index=['region', 'product_category'], values=['sales'], aggfunc='sum')

output

我们再来做几组练习，我们除了自已并不知道下载量之外还希望并不知道各个品种的牛奶在每个南部的开销如何，我们在values以外移除“cost”的文件名，字符如下

df.pivot_table(index=['region'], values=['sales', 'cost'], aggfunc='sum', columns=['product_category'], fill_value=0)

output

同时我们还能够量度出年均，通过给定调用margin这个表达式

df.pivot_table(index=['region', 'product_category'], values=['sales', 'cost'], aggfunc='sum', fill_value=0, margins=True)

output

再次的再次，我们给定调用pivot_table给定来制所写一个2010年度牛奶经销商的下载量年报，字符如下

month_gp = pd.Grouper(key='order_date',freq='M')

cond = df["order_date"].dt.year == 2010

df[cond].pivot_table(index=['region','product_category'],

columns=[month_gp],

values=['sales'],

aggfunc=['sum'])

output

CDA统计数据分析师交友情形，喜爱大家电邮交友你的敦促。