一文读懂 pd.pivot_table 函数（附Demo）

前言

从实战场景出发

1. 基本知识

pd.pivot_table 是 Pandas 中一个强大的数据透视表工具，用于重新排列和汇总数据表，通过聚合函数对数据进行分组统计，生成一个新的数据框，非常适合处理结构化数据分析

基本知识以表格形式进行呈现：

项目	内容
作用	将长格式数据重新排列为宽格式数据，并进行聚合统计
函数签名	pd.pivot_table(data, values=None, index=None, columns=None, aggfunc=‘mean’, fill_value=None)
常用参数	–
data	必需，待处理的数据框
values	可选，需要聚合的列，默认为所有数值列
index	必需，透视表的行索引
columns	必需，透视表的列索引
aggfunc	可选，聚合函数，默认为 mean，也可选 sum、count 等
fill_value	可选，替代缺失值的填充值

应用场景

场景	描述
数据汇总与统计	按行和列分类后对特定值进行统计（如求和、平均值等）
数据透视与转置	将长格式表转换为宽格式表，更直观地显示分组结果
缺失值填充	使用 fill_value 替代缺失值，便于后续数据分析
可视化前的数据准备	生成适合热图或其他图表的数据格式

优缺点

优点	缺点
支持多种聚合方式，灵活性高	大型数据框透视时性能较低，需优化数据规模
使用简单直观，参数明确	如果数据中有重复行，透视表可能难以识别原因并返回错误结果
支持 fill_value 填充缺失值	当 index 和 columns 层次复杂时，生成的表可能过于宽广，难以直接分析

2. Demo

场景：分析设备运行数据，统计每种类型设备的平均运行时间

假设原始数据为：

EquipmentNo	EquipmentType	key value
A1	Type1	RunTime
A1	Type1	DownTime
A2	Type1	RunTime
A2	Type1	DownTime
B1	Type2	RunTime
B1	Type2	DownTime

使用 pd.pivot_table 生成透视表

import pandas as pd

# 原始数据
data = {
    "EquipmentNo": ["A1", "A1", "A2", "A2", "B1", "B1"],
    "EquipmentType": ["Type1", "Type1", "Type1", "Type1", "Type2", "Type2"],
    "key": ["RunTime", "DownTime", "RunTime", "DownTime", "RunTime", "DownTime"],
    "value": [120, 10, 100, 20, 200, 30],
}

df = pd.DataFrame(data)

# 使用 pd.pivot_table 透视表
pivot_table = pd.pivot_table(
    df,
    index="EquipmentNo",   # 行：设备编号
    columns="key",         # 列：统计维度
    values="value",        # 值：运行数据
    aggfunc="mean",        # 聚合方式：取平均值
    fill_value=0           # 填充缺失值
).reset_index()

print(pivot_table)

截图如下：