pandas的pivot和pivot_table 用于表格数据的行列互换，而melt用于unpivot 表格数据。
1，pivot
有如下数据集：
import pandas as pd
import numpy as np
table = {"Item":['Item0','Item0','Item1','Item1'],
"CType":['Gold','Bronze','Gold','Silver'],
"USD":[1,2,3,4],
"EU":[5,6,7,8]}
d = pd.DataFrame(table)
pivot 函数只有三个参数：index 用于指定索引，columns用于指定列，values用于指定透视的数值：
DataFrame.pivot(index=None, columns=None, values=None)
对d进行透视得到的结果如下图所示，其中CType是column name，Bronze、Gold和Silver是列值。
d.pivot(index='Item', columns='CType', values='USD')
2，pivot_table
pivot_table的功能跟pivot相似，但是pivot不能处理index和columns组合是重复的数据，但是pivot_table可以处理：
DataFrame.pivot_table(values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All', observed=False, sort=True)
有如下数据，使用pivot函数会报错，只能使用pivot_table，对于重复的数据，可以使用aggfunc函数聚合，可以理解为：index 和columns构成的组合是分组列，在分组内部应用aggfunc函数计算聚合值。
import pandas as pd
import numpy as np
table2 = {"Item":['Item0','Item0','Item1','Item1','Item1'],
"CType":['Gold','Bronze','Gold','Silver','Silver'],
"USD":[1,2,3,4,5],
"EU":[5,6,7,8,9]}
d2 = pd.DataFrame(table2)
对数据使用pivot_table：
d2.pivot_table(index='Item',columns='CType',values='USD', aggfunc=np.mean)
3，melt
融合数据，参数id_vars表示ID变量，value_vars表示值变量，var_name用于指定id变量的列名，value_name用于指定值变量的列名。
DataFrame.melt(id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None, ignore_index=True)
有如下数据，该数据是宽格式的数据：
df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'},
'B': {0: 1, 1: 3, 2: 5},
'C': {0: 2, 1: 4, 2: 6}})
df
A B C
0 a 1 2
1 b 3 4
2 c 5 6
对数据进行融合，把宽格式转换为长格式：
df.melt(id_vars=['A'], value_vars=['B','C'])
对长格式的数据调用pivot_table，可以把长格式的数据还原为宽格式：
md=df.melt(id_vars=['A'], value_vars=['B','C'])
md.pivot_table(values='value',columns='variable',index='A')
参考文档：
Original: https://blog.csdn.net/upluck/article/details/126247911
Author: 悦光阴
Title: pandas pivot、pivot_table和melt
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/675511/
转载文章受原作者版权保护。转载请注明原作者出处！