透視表，根據一個或多個鍵進行聚合，並根據行列上的分組鍵將資料分配到各個矩形區域中.

import numpy as np
data=pd.DataFrame(np.arange(6).reshape((2,3)),
                 index=pd.Index(['ohio','color'], name='state'),
                columns=pd.Index(['one','two','three'], name='number')
                            )
data

前兩個引數分別作用於行和列的索引，最後一個引數用於填充dataframe的資料列的列名

data.pivot('one','two')

首先，它會設定一個新的索引（ set_index() ），然後對索引排序（ sort_index() ），最後呼叫 unstack 。以上的步驟合在一起就是 pivot 。

官方定義：
DataFrame.pivot_table(data, values=None, index=None, columns=None, aggfunc=’mean’, fill_value=None, margins=False, dropna=True, margins_name=’All’)

data: DataFrame物件
values: 顯示的列的名字，可以應用aggfunc中的函式
index: 索引
columns: 可選的， 通過額外的方法來分割你所關心的實際值，然而aggfunc被應用到values上, aggfunc預設的是mean

下面來看乾貨：

開啟dat表，分別為users, ratings, movies

import pandas as pd
unames=['user_id','gender','age','occupation','zip']
users=pd.read_table('C:\\Users\\ecaoyng\\Desktop\\work space\\Python\\py_for_analysis\\pydata-book-master\\ch02\\movielens\\users.dat'
 
,sep='::',header=None,names=unames)
users.head()

合併三個表：

data=pd.merge(pd.merge(ratings, users),movies)
data[:10]

最簡單的透視表必須有一個數據幀和一個索引

pd.pivot_table(data, index=['movie_id'])[:10]

當然也可以建兩個index

pd.pivot_table(data, index=['movie_id','occupation'])

pd.pivot_table(data, index=['movie_id','occupation'],values=['rating'])

pd.pivot_table(data, index=['movie_id','occupation'],values=['rating'],columns='gender')

可以看出和value的區別了嗎？colume的值作為列名了。

之後我們要drop掉NAN的資料,

mean_ratings=mean_ratings.dropna(axis=0)
mean_ratings

其中官方dropna函式為DataFrame.dropna(axis=0, how=’any’, thresh=None, subset=None, inplace=False)，其中axis : {0 or ‘index’, 1 or ‘columns’}, or tuple/list thereof
Pass tuple or list to drop on multiple axes，即axis=0表示刪除行，axis=1表示刪除列。
當然，也可以通過fillna將缺失值填充為所需要的。

之後我打算過濾掉評論不足250條的記錄，其中size（）得到含有各個電影分組大小的serise物件。

ratings_by_title=data.groupby('title').size()
type(ratings_by_title)

active_titles=ratings_by_title.index[ratings_by_title >= 250]
active_titles

得到的active_titles 是索引：

然後可以在mean_ratings中選擇我們所需要的行了

mean_ratings.ix[active_titles][:10]

之後可以對female的評價執行降序排列

top_female_ratings=mean_ratings.sort_values(by='F',ascending=False)

為了觀察男女差別最大的電影，可以加一列diff

mean_ratings['diff']=mean_ratings['M']-mean_ratings['F']

對diff進行排序

sorted_by_diff=mean_ratings.sort_values(by='diff')

男同志喜愛的電影

sorted_by_diff[::-1][:10]

[::-1] 表示取反

回到小費資料集

tips=pd.read_csv('C:\\Users\\ecaoyng\\Desktop\\work space\\Python\\py_for_analysis_code\\pydata-book-master\\ch08\\tips.csv')
tips[:5]

tips.pivot_table(index=['sex','smoker'])

tips['tip_pct']=tips['tip']/tips['total_bill']
tips[:6]

tips.pivot_table(['tip_pct','size'], index=['sex','day'],columns='smoker')

小技巧，先畫出正題框架比如 columns 是列索引名， index是行索引名等

tips.pivot_table(['tip_pct','size'], index=['sex','day'],columns='smoker',margins=True)

tips.pivot_table(['tip_pct'], index=['sex','smoker'],columns='day',margins=True,aggfunc=len)