pivot_table函数index忽略空值

可以使用`pivot_table`函数中的`dropna`参数来忽略空值。

具体来说，可以将`dropna`参数设置为`True`，这样在生成透视表时会自动忽略掉所有包含空值的行或列，对应的索引也会被忽略。

例如，如果要对数据集`df`进行透视，以`category`列为行索引，`year`列为列索引，`value`列为值，并忽略所有空值，可以使用如下代码：

import pandas as pd

df = pd.read_csv('data.csv')
table = pd.pivot_table(df, values='value', index='category', columns='year', aggfunc='mean', dropna=True)

这样生成的透视表`table`中，所有包含空值的行或列都会被自动忽略掉。

相关问题

pivot_table计数

### 使用 Pandas `pivot_table` 进行计数操作

当使用 Pandas 的 `pivot_table` 函数进行数据透视时，可以通过设置 `aggfunc` 参数为 `'count'` 来实现计数功能。这将计算每个分组中的非空值数量。

以下是具体的操作方法：

import pandas as pd

# 假设已有的销售数据
data = {
    '日期': ['2024-01-01', '2024-01-01', '2024-01-02', '2024-01-02'],
    '产品': ['A', 'B', 'A', 'B'],
    '销量': [100, 150, 200, 130],
    '金额': [2000, 3000, 4000, 2600]
}

df = pd.DataFrame(data)

# 创建一个数据透视表，按日期和产品分类统计记录的数量
pivot_table_count = pd.pivot_table(df, index='日期', columns='产品', values='销量', aggfunc='count')

print(pivot_table_count)

在这个例子中，`pivot_table` 将返回一个新的 DataFrame，其中每一项表示特定日期和产品的记录次数[^2]。

对于更复杂的场景，如果希望对多个字段进行计数，可以传递列表给 `values` 和 `aggfunc` 参数:

# 对多个字段进行计数
pivot_table_multi_count = pd.pivot_table(
    df,
    index='日期',
    columns='产品',
    values=['销量', '金额'],
    aggfunc='count'
)

print(pivot_table_multi_count)

此代码片段会分别对 `销量` 和 `金额` 字段执行计数操作，并展示结果。

pivot_table()透视表

pivot_table() 是 pandas 库中的一个函数，用于创建透视表。透视表是一种交互式报表，可以对原始数据进行汇总和分析，以便更好地理解数据的分布和关系。

pivot_table() 函数的常用参数如下：

- values：需要汇总的列或列的列表。
- index：用于分组的列或列的列表。
- columns：用于分组的列或列的列表，用于创建列名或多层列索引。
- aggfunc：用于聚合的函数，如 sum、mean、count、max、min 等。
- fill_value：用于替换汇总表中的空值（NaN）。
- margins：添加行和列的汇总统计信息，可选参数为 True 和 False。

示例：

import pandas as pd

data = {'City': ['Beijing', 'Beijing', 'Shanghai', 'Shanghai', 'Guangzhou', 'Guangzhou'],
        'Year': [2019, 2020, 2019, 2020, 2019, 2020],
        'Population': [2154, 2171, 2424, 2419, 1441, 1462],
        'GDP': [30320, 30500, 35000, 36000, 20300, 21000]}

df = pd.DataFrame(data)

# 创建透视表
pt = pd.pivot_table(df, values=['Population', 'GDP'], index='City', columns='Year', aggfunc=sum, fill_value=0, margins=True)

print(pt)

输出结果：

           GDP           Population
Year      2019   2020     All      2019   2020     All
City                                                  
Beijing  30320  30500   60820     2154   2171    4325
Guangzhou  20300  21000   41300     1441   1462    2903
Shanghai  35000  36000   71000     2424   2419    4843
All      85620  87500  173120     6019   6052  12071

该透视表按照城市和年份对数据进行了分组，以 GDP 和 Population 为值进行汇总，填充空值为0，并添加了行和列的汇总统计信息。