### 如何使用 Python Pandas 创建数据透视表 Pandas 提供了一个强大的函数 `pivot_table` 来创建数据透视表。此函数允许用户通过指定索引、列以及聚合方法来灵活地汇总和分析数据。 以下是关于如何使用 Pandas 的 `pivot_table` 函数的一个具体示例： #### 数据准备 假设我们有一个简单的 DataFrame 表示销售记录的数据集，其中包含销售人员的名字、产品类别及其销售额。 ```python import pandas as pd data = { 'Salesperson': ['Alice', 'Bob', 'Alice', 'Bob', 'Alice', 'Bob'], 'ProductCategory': ['Electronics', 'Books', 'Electronics', 'Books', 'Toys', 'Toys'], 'Revenue': [200, 150, 300, 170, 180, 220], } df = pd.DataFrame(data) print(df) ``` 运行上述代码后会得到如下表格： ``` Salesperson ProductCategory Revenue 0 Alice Electronics 200 1 Bob Books 150 2 Alice Electronics 300 3 Bob Books 170 4 Alice Toys 180 5 Bob Toys 220 ``` #### 使用 `pivot_table` 进行数据分析 下面是一个例子展示如何基于上面的 DataFrame 构建一个数据透视表，该表显示每位销售人员在不同类别的总营收情况。 ```python pivot_df = pd.pivot_table( df, values='Revenue', index='Salesperson', columns='ProductCategory', aggfunc=sum, fill_value=0 ) print(pivot_df) ``` 执行以上代码将会生成一个新的 DataFrame，其结构类似于下述内容： ``` ProductCategory Books Electronics Toys Salesperson Alice 0 500 180 Bob 320 0 220 ``` 在这个例子中， - 参数 `values='Revenue'` 指定了要进行操作的具体数值字段； - 参数 `index='Salesperson'` 定义了作为新表行标签的变量； - 参数 `columns='ProductCategory'` 则定义了作为新表列标签的部分； - 参数 `aggfunc=sum` 设定用于计算的方法，在这里是求和运算； - 参数 `fill_value=0` 是用来替换缺失值的位置，默认情况下这些位置会被填充为 NaN 值[^3]。 #### 导出到 Excel 文件 (可选步骤) 如果希望将结果保存至 Excel 文件以便进一步查看或者分享给同事，则可以利用之前提到过的 `to_excel` 方法完成这一任务。 ```python pivot_df.to_excel('sales_pivot.xlsx') ``` 这句命令会把名为 `pivot_df` 的 DataFrame 存储成名为 `sales_pivot.xlsx` 的文件[^2]。 --- ###