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 |
基础课程 - 统计学基础: 统计学是数据分析的基石，包括概率、假设检验、回归分析等基本知识。这有助于分析师更好地理解数据背后 ...
2024-11-27数据分析领域涉及众多工具软件，涵盖了从数据处理、分析到可视化的各个方面。在选择适合自己需求的工具时，需要考虑数据规模、分 ...
2024-11-27在数据分析领域，选择合适的工具至关重要。不同的软件适用于不同的需求和技能水平。以下是几款值得考虑的数据分析软件： - Table ...
2024-11-27数据分析中常用的Excel与Python函数公式涵盖了广泛的应用场景。掌握这些基础和高级技巧对于成为一名优秀的数据分析师至关重要。 ...
2024-11-27Python是一种高级编程语言，由荷兰程序员Guido van Rossum于1989年圣诞节期间开始开发，并于1991年首次发布。Python的设计哲学强 ...
2024-11-27课程内容 数学基础: 高等数学、线性代数、概率论与数理统计、微积分等为算法设计和数据分析打下基础。 编程与算法: 掌握 ...
2024-11-27爬虫工程师是互联网时代中至关重要的职业之一，他们的工作内容主要涉及编写和维护网络爬虫程序，进行数据采集与清洗，设计系统架 ...
2024-11-27技能需求 数据管理与建模 - 掌握SQL、HiveQL、Spark SQL等数据库语言，进行复杂数据查询和分析。 - 使用数据建模工具如ER/Studio ...
2024-11-27技术技能 - 编程技能 - 掌握SQL、Python、R语言等编程工具是基本要求，可用于数据提取、清洗和分析。 - 数据分析与建模技能 ...
2024-11-27财务数据分析职业展望 - 需求激增： 随着企业信息化和数字化进程的加速，财务数据产生和积累速度急剧增长，推动了财务数据分析需 ...
2024-11-27技术技能 数学与统计技能：数据分析师需要具备扎实的数学基础，包括统计学、概率论、多变量微积分和线性代数等知识，以帮助理 ...
2024-11-27选择适当的工具和软件 选择恰当的工具对于创建出色的数据分析图表至关重要。Excel提供强大的数据可视化功能，R语言的ggplot2包 ...
2024-11-27初级市场分析师在工作中面临着重要任务之一：评估竞争对手的表现。这项工作不仅有助于描绘行业竞争格局，还能帮助企业发现自身的 ...
2024-11-27基础知识的建立 要想在数据分析领域脱颖而出，首先需要打好坚实的基础。 数据分析的基础知识十分重要，其中包括统计学、概率论、 ...
2024-11-27# 要学习Python数据分析 掌握Python基础知识 - 首先需要掌握Python的基础知识，包括基本语法、数据结构（如列表、元组、字典等） ...
2024-11-27学数据分析能在什么单位工作 数据分析的就业领域概述 数据分析专业毕业生广泛应用于各行各业，包括但不限于以下单位： 政府机关 ...
2024-11-27想学数据分析需要学哪些课程 数据分析学习路径推荐 基础课程： 统计学： 统计学作为数据分析的基石，涵盖概率论、描述性统计、 ...
2024-11-27# 现在什么行业发展前景最好 **人工智能与机器学习** - 人工智能技术快速发展，广泛应用于智能家居、自动驾驶等领域。 - 具备巨 ...
2024-11-27# 未来最有前景的行业 **人工智能与机器学习** - 人工智能被认为是未来最具潜力的行业之一，其应用范围广泛，包括智能家居、医 ...
2024-11-27数据分析领域蓬勃发展，成为当今行业中备受追捧的职业之一。作为一个初入此领域的学习者，您可能会困惑于应该学习哪些课程才能打 ...
2024-11-27
