df = pd.DataFrame({'专业': np.repeat(['数学与应用数学', '计算机', '统计学','物理学'], 6),
'班级': ['1班','2班','3班']*8,
'科目': ['高数', '线代'] * 12,
'平均分': [random.randint(60,100) for i in range(24)],
'及格人数': [random.randint(30,50) for i in range(24)]})
df2 = pd.pivot_table(df, index=['专业','科目'], values=['及格人数','平均分'],
aggfunc={'及格人数':np.sum,"平均分":np.mean})
df2
| 及格人数 | 平均分 | ||
|---|---|---|---|
| 专业 | 科目 | ||
| 数学与应用数学 | 线代 | 107 | 76.000000 |
| 高数 | 107 | 65.000000 | |
| 物理学 | 线代 | 111 | 82.333333 |
| 高数 | 115 | 78.666667 | |
| 统计学 | 线代 | 107 | 71.000000 |
| 高数 | 122 | 74.000000 | |
| 计算机 | 线代 | 122 | 78.333333 |
| 高数 | 137 | 74.000000 |
stacked = df2.stack()
“压缩”后的DataFrame或Series(具有MultiIndex作为索引)， stack() 的逆操作是unstack()，默认情况下取消最后压缩的那个级别：
堆叠stack()，顾名思义就是把透视结果堆到一起。接下来我们把透视后堆叠的数据一步步展开unstack()：
stacked.unstack()
| 及格人数 | 平均分 | ||
|---|---|---|---|
| 专业 | 科目 | ||
| 数学与应用数学 | 线代 | 107.0 | 76.000000 |
| 高数 | 107.0 | 65.000000 | |
| 物理学 | 线代 | 111.0 | 82.333333 |
| 高数 | 115.0 | 78.666667 | |
| 统计学 | 线代 | 107.0 | 71.000000 |
| 高数 | 122.0 | 74.000000 | |
| 计算机 | 线代 | 122.0 | 78.333333 |
| 高数 | 137.0 | 74.000000 |
stacked.unstack(level=1)
| 科目 | 线代 | 高数 | |
|---|---|---|---|
| 专业 | |||
| 数学与应用数学 | 及格人数 | 107.000000 | 107.000000 |
| 平均分 | 76.000000 | 65.000000 | |
| 物理学 | 及格人数 | 111.000000 | 115.000000 |
| 平均分 | 82.333333 | 78.666667 | |
| 统计学 | 及格人数 | 107.000000 | 122.000000 |
| 平均分 | 71.000000 | 74.000000 | |
| 计算机 | 及格人数 | 122.000000 | 137.000000 |
| 平均分 | 78.333333 | 74.000000 |
stacked.unstack(level=0)
| 专业 | 数学与应用数学 | 物理学 | 统计学 | 计算机 | |
|---|---|---|---|---|---|
| 科目 | |||||
| 线代 | 及格人数 | 107.0 | 111.000000 | 107.0 | 122.000000 |
| 平均分 | 76.0 | 82.333333 | 71.0 | 78.333333 | |
| 高数 | 及格人数 | 107.0 | 115.000000 | 122.0 | 137.000000 |
| 平均分 | 65.0 | 78.666667 | 74.0 | 74.000000 |
数据分析咨询请扫描二维码
若不方便扫码，搜微信号：CDAshujufenxi
“最近复购率一直在下降，我们的营销力度不小啊，为什么用户还是走了？” “是不是广告投放的用户质量不高？还是我们的产品问题 ...
2025-02-21以下文章来源于数有道 ，作者数据星爷 SQL查询是数据分析工作的基础，也是CDA数据分析师一级的核心考点，人工智能时代，AI能为 ...
2025-02-19在当今这个数据驱动的时代，几乎每一个业务决策都离不开对数据的深入分析。而其中，指标波动归因分析更是至关重要的一环。无论是 ...
2025-02-18当数据开始说谎：那些年我们交过的学费 你有没有经历过这样的场景？熬了三个通宵做的数据分析报告，在会议上被老板一句"这数据靠 ...
2025-02-17数据分析作为一门跨学科领域，融合了统计学、编程、业务理解和可视化技术。无论是初学者还是有一定经验的从业者，系统化的学习路 ...
2025-02-17挖掘用户价值本质是让企业从‘赚今天的钱’升级为‘赚未来的钱’，同时让用户从‘被推销’变为‘被满足’。询问deepseek关于挖 ...
2025-02-17近来deepseek爆火，看看deepseek能否帮我们快速实现数据看板实时更新。 可以看出这对不知道怎么动手的小白来说是相当友好的， ...
2025-02-14一秒精通 Deepseek，不用找教程，不用买资料，更不用报一堆垃圾课程，所有这么去做的，都是舍近求远，因为你忽略了 deepseek 的 ...
2025-02-12自学 Python 的关键在于高效规划 + 实践驱动。以下是一份适合零基础快速入门的自学路径，结合资源推荐和实用技巧： 一、快速入 ...
2025-02-12“我们的利润率上升了，但销售额却没变，这是为什么？” “某个业务的市场份额在下滑，到底是什么原因？” “公司整体业绩 ...
2025-02-08活动介绍 为了助力大家在数据分析领域不断精进技能，我们特别举办本期打卡活动。在这里，你可以充分利用碎片化时间在线学习，让 ...
2025-02-071、闺女，醒醒，媒人把相亲的带来了。 我。。。。。。。 2、前年春节相亲相了40个， 去年春节相亲50个， 祖宗，今年你想相多少个 ...
2025-02-06在数据科学的广阔领域中，统计分析与数据挖掘占据了重要位置。尽管它们常常被视为有关联的领域，但两者在理论基础、目标、方法及 ...
2025-02-05在数据分析的世界里，“对比”是一种简单且有效的方法。这就像两个女孩子穿同一款式的衣服，效果不一样。 很多人都听过“货比三 ...
2025-02-05当我们只有非常少量的已标记数据，同时有大量未标记数据点时，可以使用半监督学习算法来处理。在sklearn中，基于图算法的半监督 ...
2025-02-05考虑一种棘手的情况：训练数据中大部分样本没有标签。此时，我们可以考虑使用半监督学习方法来处理。半监督学习能够利用这些额 ...
2025-02-04一、数学函数 1、取整 =INT(数字) 2、求余数 =MOD(除数，被除数) 3、四舍五入 =ROUND（数字，保留小数位数） 4、取绝对值 =AB ...
2025-02-03作者：CDA持证人 余治国 一般各平台出薪资报告，都会哀嚎遍野。举个例子，去年某招聘平台发布《中国女性职场现状调查报告》， ...
2025-02-02真正的数据分析大神是什么样的呢？有人认为他们能轻松驾驭各种分析工具，能够从海量数据中找到潜在关联，或者一眼识别报告中的数 ...
2025-02-01现今社会，“转行”似乎成无数职场人无法回避的话题。但行业就像座围城：外行人看光鲜，内行人看心酸。数据分析这个行业，近几年 ...
2025-01-31
