Pandas透视完的数据进一步操作的代码

对于透视完的数据，可以进行各种进一步的操作，例如：

1. 排序：可以使用 `sort_values()` 方法按照指定的列进行排序。

df_pivot = df.pivot_table(index='Gender', columns='City', values='Salary', aggfunc='mean')
df_pivot = df_pivot.sort_values(by='Male', ascending=False)

2. 筛选数据：可以使用布尔索引或者 `query()` 方法来筛选数据。

df_pivot = df.pivot_table(index='Gender', columns='City', values='Salary', aggfunc='mean')
df_pivot = df_pivot[df_pivot['Male'] > df_pivot['Female']]
# 或者
df_pivot = df.pivot_table(index='Gender', columns='City', values='Salary', aggfunc='mean')
df_pivot = df_pivot.query('Male > Female')

3. 重命名列名：可以使用 `rename()` 方法重命名列名。

df_pivot = df.pivot_table(index='Gender', columns='City', values='Salary', aggfunc='mean')
df_pivot = df_pivot.rename(columns={'Shanghai': 'SH', 'Beijing': 'BJ'})

4. 重置索引：可以使用 `reset_index()` 方法重置索引。

df_pivot = df.pivot_table(index='Gender', columns='City', values='Salary', aggfunc='mean')
df_pivot = df_pivot.reset_index()

5. 缺失值处理：可以使用 `fillna()` 方法填充缺失值。

df_pivot = df.pivot_table(index='Gender', columns='City', values='Salary', aggfunc='mean')
df_pivot = df_pivot.fillna(0)

除了以上操作，还可以进行数据透视表的合并、分组、统计等操作，具体根据需要来选择使用哪些方法。