pivot_table：交叉表
使用 pd.pivot_table 创建类似 Excel 的透视表，设置 index、columns、values 和 aggfunc。
pivot_table：交叉表 是 CoddyKit 上的免费 Pandas & NumPy Academy 课时。 这是第 1 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Pandas & NumPy Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Pandas & NumPy Academy 课程共包含 4 节课。
什么是数据透视表
数据透视表是一种交叉表，按照两个分类维度汇总数据——其中一个维度构成行，另一个构成列——并在每个单元格中填入聚合值。如果您曾在 Excel 中创建过数据透视表，就会立即理解这一概念。Pandas 提供了 pd.pivot_table()（以及对应的 DataFrame 方法版本），让您可以完全使用 Python 创建这类汇总表。
基本的 pivot_table 调用
pd.pivot_table() 的四个关键参数是：values（要聚合的列）、index（作为行的列）、columns（作为列的列）和 aggfunc（聚合函数，默认为 'mean'）。结果是一个 DataFrame，其中每个单元格都包含对应行列组合的聚合值。
import pandas as pd
df = pd.DataFrame({
'region': ['East', 'West', 'East', 'West', 'East', 'West'],
'product': ['A', 'A', 'B', 'B', 'A', 'B'],
'revenue': [200, 340, 150, 290, 310, 410]
})
table = pd.pivot_table(df,
values='revenue',
index='region',
columns='product',
aggfunc='sum')
print(table)
# product A B
# region
# East 510 150
# West 340 700选择 aggfunc
aggfunc 参数可以接受 NumPy/Pandas 聚合函数的字符串名称、可调用对象或可调用对象列表。常见选择包括：使用 'sum' 计算总和，使用 'mean' 计算平均值，使用 'count' 计算频数，使用 'min'/'max' 查找极值。传入列表时，每个聚合函数都会在列 MultiIndex 中占据自己的层级。
# Using mean (default)
table_mean = pd.pivot_table(df, values='revenue',
index='region', columns='product',
aggfunc='mean')
print(table_mean.round(1))
# product A B
# region
# East 255.0 150.0
# West 340.0 350.0
# Using count
table_count = pd.pivot_table(df, values='revenue',
index='region', columns='product',
aggfunc='count')
print(table_count)使用 fill_value 处理缺失单元格
当行标签和列标签的某种组合没有数据时，该单元格默认包含 NaN。传入 fill_value 可以用有意义的默认值替换这些缺失单元格，例如在统计数量或收入时使用 0。这样可以让表格更易读，也能避免后续算术运算无提示地产生 NaN 结果。
df2 = pd.DataFrame({
'region': ['East', 'West', 'East'],
'product': ['A', 'A', 'B'],
'revenue': [200, 340, 150]
})
# West-B combination has no data -> NaN by default
table = pd.pivot_table(df2, values='revenue', index='region',
columns='product', aggfunc='sum', fill_value=0)
print(table)
# product A B
# region
# East 200 150
# West 340 0 <- filled with 0 instead of NaN使用 margins 添加小计
传入 margins=True 可以将行总计和列总计添加到数据透视表中。Pandas 会在底部追加 'All' 行，并在右侧追加 'All' 列，其中包含所有类别的聚合值。您可以使用 margins_name 重命名总计标签。这对应于 Excel 数据透视表中的“总计”行。
table = pd.pivot_table(df, values='revenue', index='region',
columns='product', aggfunc='sum',
fill_value=0, margins=True, margins_name='Total')
print(table)
# product A B Total
# region
# East 510 150 660
# West 340 700 1040
# Total 850 850 1700pivot_table 中的多个值
values 参数可以接收列名列表，从而一次聚合多个指标。结果的列索引是 MultiIndex，其中外层是值列，内层是类别。这样，您可以通过一次调用创建完整的汇总表，而不必分别创建并合并多个数据透视表。
df['units'] = [10, 15, 8, 12, 14, 18]
table = pd.pivot_table(df,
values=['revenue', 'units'],
index='region',
columns='product',
aggfunc='sum')
print(table)
# Columns: (revenue, A), (revenue, B), (units, A), (units, B)
print(table.columns.tolist())层次化索引和列
向 index 或 columns 传入列表时，数据透视表会在相应轴上使用 MultiIndex。这样可以创建更细致的汇总表——例如，在行方向按地区和季度拆分收入，在列方向按产品拆分。像往常一样，可以使用 .loc 和索引元组访问较低层级。
df['quarter'] = ['Q1', 'Q1', 'Q2', 'Q2', 'Q1', 'Q2']
table = pd.pivot_table(df, values='revenue',
index=['region', 'quarter'],
columns='product',
aggfunc='sum', fill_value=0)
print(table)
# product A B
# region quarter
# East Q1 510 0
# Q2 0 150
# West Q1 340 0
# Q2 0 700展开结果
创建数据透视表后，索引就是分组列；如果使用了多个值，列 MultiIndex 可能不便于使用。常见的整理方式是调用 reset_index() 展开行索引，然后使用列表推导式，以下划线连接各层级，将列 MultiIndex 合并为单层。
table = pd.pivot_table(df, values=['revenue', 'units'],
index='region', columns='product', aggfunc='sum')
# Flatten MultiIndex columns
table.columns = ['_'.join(str(c) for c in col) for col in table.columns]
table = table.reset_index()
print(table.columns.tolist())
# ['region', 'revenue_A', 'revenue_B', 'units_A', 'units_B']pivot_table 与 groupby().agg()
pivot_table 和 groupby().agg() 都可以生成汇总统计数据。区别在于输出形状：groupby().agg() 返回长格式 DataFrame，每种分组组合占一行；而 pivot_table 返回宽格式表格，其中一个维度会变成列。对于仪表板和报告，数据透视表的宽格式通常更易读；对于后续的机器学习或统计分析，则更偏好长格式。
# Long format (groupby)
long = df.groupby(['region', 'product'])['revenue'].sum().reset_index()
print(long)
# region product revenue
# East A 510
# East B 150
# Wide format (pivot_table)
wide = pd.pivot_table(df, 'revenue', 'region', 'product', 'sum', fill_value=0)
print(wide)
# product A B
# region
# East 510 150对数据透视表进行排序和设置样式
数据透视表就是普通的 DataFrame，因此您可以像处理其他 Pandas DataFrame 一样对其排序、计算派生列并设置格式。例如，可以按某个产品列降序排列，以根据该产品的表现对地区进行排名；也可以将每个单元格除以行总计，添加百分比列。
table = pd.pivot_table(df, 'revenue', 'region', 'product', 'sum', fill_value=0)
# Sort by product A revenue descending
table_sorted = table.sort_values('A', ascending=False)
print(table_sorted)
# Add percentage of row total
table['A_pct'] = (table['A'] / table.sum(axis=1) * 100).round(1)
print(table)实际应用：销售仪表板表格
数据透视表是构建管理报告和仪表板的核心工具。典型工作流是：加载原始交易数据，以月份为列、产品类别为行创建数据透视表，添加总计，然后导出到 Excel。从原始数据到适合会议室展示的表格，整个流程只需调用几次 Pandas 方法。
# Simulated monthly product revenue pivot
result = pd.pivot_table(
df,
values='revenue',
index='product',
columns='region',
aggfunc='sum',
fill_value=0,
margins=True,
margins_name='Grand Total'
)
print(result)
# Export to Excel
# result.to_excel('sales_pivot.xlsx')快速检查
检验您对本课 pd.pivot_table 内容的理解。
课程回顾
在本课中，您学习了：pd.pivot_table() 可以创建交叉表汇总，将一个维度作为行、另一个维度作为列；fill_value 用于处理缺失单元格，margins=True 用于添加总计；您可以一次聚合多个值；数据透视表会生成非常适合报告的宽格式输出。接下来，我们将学习相反的操作：使用 melt() 将宽格式数据转换回长格式。
常见问题解答
「pivot_table：交叉表」课时是免费的吗？
是的 — 「pivot_table：交叉表」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Pandas & NumPy Academy 课程的其余内容，请升级到 CoddyKit PRO。 Pandas & NumPy Academy 课程共包含 4 节课。
「pivot_table：交叉表」这节课中我会学到什么？
使用 pd.pivot_table 创建类似 Excel 的透视表，设置 index、columns、values 和 aggfunc。 你通过在浏览器中直接运行的动手代码来练习 Pandas & NumPy Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 Pandas & NumPy Academy 需要有经验吗？
无需任何先前经验。CoddyKit 上的 Pandas & NumPy Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 1 节课，共 4 节。
「pivot_table：交叉表」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 Pandas & NumPy Academy 课中编写并运行代码吗？
能。每节 Pandas & NumPy Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。