Task 4 透视表

一、透视表

pivot函数、pivot_table函数

一般状态下，数据在DataFrame会以压缩（stacked）状态存放，例如上面的Gender，两个类别被叠在一列中。pivot_table函数可将某一原列转为新列，新列中的值由其他列确定。请体会pivot_table函数中参数的作用：

df.pivot(index='ID',columns='Gender',values='Height').head()
# 将columns的值展开，填入指定的values
pd.pivot_table(df, index='ID',columns='Gender',values='Height').head()

其他一些常用的参数：

• aggfunc：对组内进行聚合统计，默认统计函数为mean
• margins = True：汇总边际状态

pd.pivot_table(df,index='School',columns='Gender',values='Height',aggfunc=['mean','sum'], margins=True).head()
# 默认 margins_name='All'

• 设置行、列、值为多级

pd.pivot_table(df,index=['School','Class'],
              columns=['Gender','Address'],
              values=['Height','Weight'])

crosstab函数（交叉表）

交叉表是一种特殊的透视表，典型的用途如分组统计。下面统计街道和性别分组的频数：

pd.crosstab(index=df['Address'], columns=df['Gender'])

crosstab函数的一些重要参数：

• values和aggfunc：分组对某些数据进行聚合操作，这两个参数必须成对出现

pd.crosstab(index=df['Address'],columns=df['Gender'],
            values=np.random.randint(1,20,df.shape[0]),aggfunc='min')
#默认参数等于如下方法：
#pd.crosstab(index=df['Address'],columns=df['Gender'],values=1,aggfunc='count')

交叉表的默认函数中，默认为计数方法，此处实验采用的min方法，相信你可以比较出他们的不同，以及理解values和aggfunc成对出现的原因：

• normalize参数，可选'all','index','columns'参数值。

normalize与margins也是成对出现的，归一化的值需要在边际上呈现。

pd.crosstab(index=df['Address'], columns=df['Gender'],normalize='all',margins=True,margins_name='归一化')

二、其他变形方法

melt函数

melt函数可以认为是pivot函数的逆操作，将unstacked状态的数据，压缩成stacked，使“宽”的DataFrame变“窄”。melt中的参数变量id_vars表示需要保留的列，value_vars表示需要stack的一组列。

# 展开Gender这一列，并将Math列中的值赋给新列
pivoted = df.pivot(index='ID',columns='Gender',values='Math')

# 保留ID列，合并F、M列为一列，value_vars设置，然后去除空值列...
result = pivoted.reset_index().melt(id_vars=['ID'],value_vars=['F','M'],value_name='新Math').dropna().set_index('ID').sort_index()

display(result.head())、

#检验是否与展开前的df相同，可以分别将这些链式方法的中间步骤展开，看看是什么结果
# result.equals(df_m.set_index('ID'))

压缩与展开

（1）stack：这是最基础的变形函数，总共只有两个参数：level和dropna

stack函数可以看做将横向的索引放到纵向，因此功能类似与melt，参数level可指定变化的列索引是哪一层（或哪几层，需要列表）

(2) unstack：stack的逆函数，功能上类似于pivot_table

三、哑变量与因子化

Dummy Variable（哑变量）

get_dummies函数的功能主要是进行one-hot编码。接下来，将Class、Gender变量转化为哑变量，并加入第三列Weight的数值：

df_d = df[['Class','Gender','Weight']]
pd.get_dummies(df_d[['Class','Gender']]).join(df_d['Weight']).head()
# 可选prefix参数添加前缀，prefix_sep添加分隔符

factorize方法

factorize方法主要用于自然数编码，缺失值被记为-1，sort参数表示是否排序后赋值：

codes, uniques = pd.factorize(['b', None, 'a', 'c', 'b'], sort=True)
display(codes)
display(uniques)

array([ 1, -1,  0,  2,  1])
array(['a', 'b', 'c'], dtype=object)

四、问题与练习

【问题一】 上面提到了许多变形函数，如melt/crosstab/pivot/pivot_table/stack/unstack函数，请总结它们各自的使用特点。
【问题二】 变形函数和多级索引是什么关系？哪些变形函数会使得索引维数变化？具体如何变化？
【问题三】 请举出一个除了上文提过的关于哑变量方法的例子。
【问题四】 使用完stack后立即使用unstack一定能保证变化结果与原始表完全一致吗？
【问题五】 透视表中涉及了三个函数，请分别使用它们完成相同的目标（任务自定）并比较哪个速度最快。
【问题六】 既然melt起到了stack的功能，为什么再设计stack函数？

【练习一】 继续使用上一章的药物数据集：