python pivot 后面加sum

在使用Python中的pivot函数时，可以在其后面加上sum参数来计算每个组的总和。

例如，假设有一个名为df的数据框，它有三列：A、B和C。我们可以使用pivot函数将它们重塑成一个新的数据框，其中A是行，B是列，C是值。然后，我们可以使用sum参数来计算每个组的总和。

代码如下：

import pandas as pd

# 创建数据框
df = pd.DataFrame({'A': ['foo', 'foo', 'bar', 'bar', 'foo', 'foo'], 
                   'B': ['one', 'one', 'one', 'two', 'two', 'one'], 
                   'C': [1, 2, 3, 4, 5, 6]})

# 使用pivot函数重塑数据框
df_pivot = df.pivot(index='A', columns='B', values='C')

# 计算每个组的总和
df_sum = df_pivot.sum()

print(df_sum)

输出如下：

B
one    9
two    9
dtype: int64

可以看到，输出结果是一个Series，其中包含每个组的总和。在这个例子中，组one的总和是9，组two的总和也是9。

相关问题

Python pivot 参数意义

在 Python 中，pivot 参数通常是指用于指定数据透视表中行索引的列，或者用于指定聚合数据的列。具体来说，pivot 参数的作用取决于使用的函数。

在 pandas 中，pivot 方法的 pivot 参数用于指定数据透视表中行索引的列，例如：

import pandas as pd

df = pd.read_csv('data.csv')
table = pd.pivot_table(df, values='D', index=['A', 'B'], columns=['C'])

在上面的代码中，pivot 参数指定了数据透视表中的行索引列为 ['A', 'B']。

而在 matplotlib 中，pivot 参数用于指定聚合数据的列，例如：

import matplotlib.pyplot as plt

data = {'a': [1, 2, 3], 'b': [4, 5, 6], 'c': [7, 8, 9]}
df = pd.DataFrame(data)
table = pd.pivot_table(df, values=['a', 'b'], index=['c'], aggfunc='sum')

plt.plot(table.index, table['a', 'sum'], label='a')
plt.plot(table.index, table['b', 'sum'], label='b')
plt.legend()
plt.show()

在上面的代码中，pivot 参数指定了要聚合的列为 ['a', 'b']。

python pivot的用法

Python中的pivot（数据透视表）函数是用来重组和转换数据的重要工具，其用法如下：

1. DataFrame.pivot(index=None, columns=None, values=None): 根据指定的索引、列、值对原DataFrame进行透视。

- index：用作行索引的列名或列名列表。
- columns：用作列索引的列名或列名列表。
- values：要聚合的列名或列名列表，如果省略，则所有列都聚合。

2. DataFrame.pivot_table(values=None, index=None, columns=None,aggfunc=’mean’, fill_value=None, margins=False,dropna=True): 根据指定的索引、列、值对原DataFrame进行透视并计算汇总统计量。

- values：要聚合的列名或列名列表，如果省略，则所有列都聚合。
- index：用作行索引的列名或列名列表。
- columns：用作列索引的列名或列名列表。
- aggfunc：聚合函数，默认为'mean'（平均值），可以是'min'、'max'、'sum'等。
- fill_value：用于填充缺失值的默认值。
- margins：如果为True，添加汇总行和列，默认为False。
- dropna：如果为True，则删除包含任何缺失值的行或列，默认为True。

举个例子：

import pandas as pd
data = {'date':['2021-01-01','2021-01-01','2021-01-02','2021-01-02'],
        'country':['China','Japan','China','Japan'],
        'value':[100,200,300,400]}
df = pd.DataFrame(data)
print(df)

# 透视表
pivot_df = df.pivot(index='date',columns='country',values='value')
print(pivot_df)

# 透视表并计算平均数
pivot_table_df = df.pivot_table(values='value', index='date',columns='country',aggfunc='mean')
print(pivot_table_df)

输出结果：

        date country  value
0  2021-01-01   China    100
1  2021-01-01   Japan    200
2  2021-01-02   China    300
3  2021-01-02   Japan    400

country     China  Japan
date                    
2021-01-01    100    200
2021-01-02    300    400

country     China  Japan
date                    
2021-01-01    100    200
2021-01-02    300    400