最近在做基于python的数据分析，引用了第三方数据分析库熊猫，所以下面这篇文章主要介绍熊猫应用实例pivot函数的相关信息。通过图文非常详细的介绍，有需要的朋友可以参考一下。

目录

1、主元函数的定义2、主元函数的描述3、主元函数的参数4、主元函数的例子5、主元函数在实际工作中的案例总结

1、pivot函数的定义

pivot(索引=无，列=无，值=无)- DataFrame

2、pivot函数的说明

用给定的索引和列值重新生成DataFrame对象。

根据列值形成数据(生成一个“透视表”表)。使用指定索引/列中的唯一值来构成结果数据框的轴。此函数不支持数据聚合，多个值将导致列中有多个索引。

3、pivo函数的参数

Index:指定一行作为生成的DataFrame对象的索引。如果为空，则默认为原始索引。

列：指定列的值作为列名，并且必须传递该值。

Values:指定一列作为生成的DataFrame对象的值。可以为空。

4、pivot函数实例

df=pd。DataFrame({foo: [一，一，二，二]，

bar: [A ， B ， C ， A ， B ， C]，

巴兹:[1，2，3，4，5，6]，

zoo: [x ， y ， z ， q ， w ， t]})

#指定foo的值是新数据帧的索引，bar的值是列，数据帧中对应的值是baz。

df.pivot(index=foo ，columns=bar ，values=baz )

#未指定值，列名的最外层保留原始列。如下图，baz和zoo是原始dataframe中的列名，新指定的列名栏在内层(暂时)。

df.pivot(index=foo ，columns=bar )

#可以通过索引检索指定的列数据。

df.pivot(index=foo ，columns=bar)[baz]

#可以指定多个值

df.pivot(index=foo ，columns=bar ，values=[baz ， zoo])

#指定多列

df.pivot(index=foo ，columns=[bar ， baz]，values=[zoo])

#指定多个索引

df.pivot(index=[foo ， bar]，columns=baz ，values=zoo )

#指定多个索引以通过索引名称获取一个索引的数据。

df.pivot(index=[foo ， bar]，columns=baz ，values=zoo )。loc[一，]

#这两行代码运行时会出错。

#错误提示：值错误：索引包含重复条目，无法整形

#这意味着两列bar=A的指定索引之一冲突。

df=pd。DataFrame({foo: [一，一，二，二]，

bar: [A ， A ， B ， C]，

baz: [1，2，3，4]})

df.pivot(index=foo ，columns=bar ，values=baz )

5、pivot函数在实际工作中解决的案例

现在我们要展示上图中不同代码之间的相关性，以及2020年11月16日到2020年11月18日三天内num序列的个数。

首先dataframe对象可以直接调用函数corr()来计算不同列之间的相关性，所以现在需要将原来的dataframe对象转换成以code为列，date为索引，num为值的dataframe。

第一个笨方法是loop，不仅代码量大，而且数据量大的时候很费时间。不推荐。

grouped=df.groupby(by=[code])

df_num=pd。数据帧()

对于“名称”,分组在分组中：

d=pd。Series(data=group[num]。值，name=name)

df_num=pd.concat([df_num，d]，axis=1)

df_close

第二种方法是使用pivot函数，一行代码就可以解决，运行速度很快。

df_num=df.pivot(索引=日期，列=代码，值=数字)

当所需形式的dataframe生成后，可以直接调用corr()函数直接找到代码之间的关联。

#计算列之间的相关性

df_num.corr()

总结

以上就是本文关于熊猫应用程序pivot函数的例子。有关pandaspivot函数的更多信息，请搜索我们以前的文章或继续浏览下面的相关文章。希望大家以后能多多支持我们！