oracle同⼀列数据不同条件分组求和_利⽤Python进⾏数据分
组数据透视表
1.数据分组
源数据表如下所⽰：
1.1 分组键是列名
分组键是列名时直接将某⼀列或多列的列名传给groupby()⽅法，groupby()⽅法就会按照这⼀列或多列进⾏分组。
按照⼀列进⾏分组
import pandas as pd
df = pd.ad_excel("Client_Data.xlsx"))
print(df)
#按照客户分类对数据进⾏分组
print (df.groupby("客户分类").count())
根据客户分类对所有数据进⾏分组，然后对分组以后的数据分别进⾏计数运算，最后进⾏合并，如下：
源数据展⽰及按客户分类的结果
按照多列进⾏分组
import pandas as pd
df = pd.ad_excel("Client_Data.xlsx"))
print(df)
#按照多列对数据进⾏分组
print (df.groupby(["客户分类","区域"]).count())
执⾏结果如图：
按照多列对数据进⾏分组
1.2 分组键是Series
把DataFrame的其中⼀列取出来就是⼀个Series，⽐如df["客户分类"]就是⼀个Series。
分组键是列名与分组键是Series的唯⼀区别就是，给groupby()⽅法传⼊了什么，其他都⼀样。可以按照⼀个或多个Series进⾏分组，分组以后的汇总计算也是完全⼀样的，也⽀持对分组以后的某些列进⾏汇总计算。
#按单个Series进⾏分组
print (df.groupby(df["客户分类"]).count())
#按单个Series进⾏分组
print (df.groupby(df["客户分类"],df["区域"]).count())
1.3 神奇的aggregate⽅法
aggregate的第⼀个神奇之处在于，⼀次可以使⽤多种汇总⽅式，⽐如下⾯的例⼦先对分组后的所有列做计数汇总运算，然后对所有列做求和汇总运算。
import pandas as pd
df = pd.ad_excel("Client_Data.xlsx"))
#对数据进⾏计数汇总与求和汇总运算
upby("客户分类").aggregate(["count","sum"]))
对数据进⾏计数汇总与求和汇总运算
aggregate的第⼆个神奇之处在于，可以针对不同的列做不同的汇总运算，⽐如，想看不同类别的⽤户有多少，那么对⽤户ID进⾏计数；想看不同类别的⽤户在7/8/9的销量，则需要对销量进⾏求和。
import pandas as pd
df = pd.ad_excel("Client_Data.xlsx"))python怎么读取excel某一列
upby("客户分类").aggregate({"⽤户ID":"count","7⽉销量":"sum","8⽉销量":"sum","9⽉销量":"sum"}))
对不同的列做不同的汇总运算
1.4 对分组后的结果重置索引
为了便于对分组结果进⾏进⼀步处理和分析，需要把⾮标准形式转化为标准的DataFrame形式，利⽤的⽅法就是重置索引reset_index()⽅法。
import pandas as pd
df = pd.ad_excel("Client_Data.xlsx"))
upby("客户分类").count())
#利⽤reset_index()重置索引
upby("客户分类").count().reset_index())
利⽤reset_index()重置索引
2.数据透视表
Python中的数据透视表⽤到的是pivot_table()⽅法，其全部参数如下：
pd.pivot_table(data,values=None,index=None,columns=None,aggfunc='mean',fill_value=None,margins=False,dropna==True,margins_name='All')
#data：表⽰要做数据透视表的整个表
#values：对应excel中值那个框
#index：对应excel中⾏那个框
#columns：对应excel中列那个框
#aggfunc：表⽰对values的计算类型
#fill_value：表⽰对空值的填充值
#margins：表⽰是否显⽰合计列
#dropna：表⽰是否删除缺失，如果为真时，则把⼀整⾏全作为缺失值删除
#margins_name：表⽰合计列的列名
实例，客户分类作为index，区域作为columns，⽤户ID作为values，对values执⾏count运算：
import pandas as pd
df = pd.ad_excel("Client_Data.xlsx"))
#客户分类作为index，区域作为columns，⽤户ID作为values，对values执⾏count运算
print(pd.pivot_table(df,values="⽤户ID",index="客户分类",columns="区域",aggfunc='count',margins=True))
执⾏结果如下：
透视表运算结果
可⽤margins_name对合计列名称"All"进⾏修改。可⽤fill_value对缺失值进⾏填充。
可⽤reset_index()对透视表结果进⾏重置索引。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。