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
越老越吃香的行业主要集中在需要长时间经验积累和专业知识的领域。这些行业通常知识更新换代较慢，因此随着年龄的增长，从业者能 ...
2024-11-20数据导入 使用pandas库的read_csv()函数读取CSV文件或使用read_excel()函数读取Excel文件。 支持处理不同格式数据，可指定分隔 ...
2024-11-20大数据与会计专业是一门结合了大数据分析技术和会计财务理论知识的新型复合型学科，旨在培养能够适应现代会计业务新特征的高层次 ...
2024-11-20要成为一名数据分析师，需要掌握一系列硬技能和软技能。以下是成为数据分析师所需的关键技能： 统计学基础 理解基本的统计概念 ...
2024-11-20是的，Python可以用于数据分析。Python在数据分析领域非常流行，因为它拥有丰富的库和工具，能够高效地处理从数据清洗到可视化的 ...
2024-11-20在这个数据驱动的时代，数据分析师的角色变得愈发不可或缺。他们承担着帮助企业从数据中提取有价值信息的责任，而这些信息可以大 ...
2024-11-20数据分析作为现代信息时代的支柱之一，已经成为各行业不可或缺的工具。无论是在商业、科研还是日常决策中，数据分析都扮演着至关 ...
2024-11-20数字化转型已成为当今商业世界的热点话题。它不仅代表着技术的提升，还涉及企业业务流程、组织结构和文化的深层次变革。理解数字 ...
2024-11-20在现代社会的快速变迁中，选择一个具有长期增长潜力的行业显得至关重要。了解未来发展前景好的行业不仅能帮助我们进行职业选择， ...
2024-11-20统计学专业的就业方向和前景非常广泛且充满机遇。随着大数据、人工智能等技术的快速发展，统计学的重要性进一步凸显，相关人才的 ...
2024-11-20数据挖掘是一项强大的技术，用于从海量数据中提取有价值的信息和知识。它的主要目的是揭示隐藏的模式、关系和规律，以支持企业决 ...
2024-11-20数据挖掘是一项强大的技术，用于从海量数据中提取有价值的信息和知识。它的主要目的是揭示隐藏的模式、关系和规律，以支持企业决 ...
2024-11-20成为一名商业分析师是一段充满挑战与机遇的职业旅程。从入门到成长为高级专业人士，需要从教育背景、技能提升、实践经验以及职业 ...
2024-11-20《Python数据分析极简入门》 第2节 1 Pandas简介 说好开始学Python，怎么到了Pandas？ 前面说过，既然定义为极简入门，我们只抓 ...
2024-11-20《Python数据分析极简入门》 第2节 2 Pandas数据类型 Pandas 有两种自己独有的基本数据结构。需要注意的是，它固然有着两种数据 ...
2024-11-20近年来，随着数据科学的逐步发展，Python语言的使用率也越来越高，不仅可以做数据处理，网页开发，更是数据科学、机器学习、深度 ...
2024-11-18在当今以数据为导向的商业环境中，数据分析师的角色变得越来越重要。无论是揭示消费者行为的趋势，还是优化企业运营的效率，数据 ...
2024-11-17在当今以数据为导向的商业环境中，数据分析师的角色变得越来越重要。无论是揭示消费者行为的趋势，还是优化企业运营的效率，数据 ...
2024-11-17金融数学是一门充满挑战和机遇的专业，它将数学、统计学和金融学的知识有机结合，旨在培养能够运用数学和统计方法解决复杂金融市 ...
2024-11-16在信息时代的浪潮中，大数据已成为推动创新的重要力量。无论是在商业、医疗、金融，还是在日常生活中，大数据扮演的角色都愈发举 ...
2024-11-16
