NBA之旅1-透视表参数详解

皮大大

发布于 2021-03-02 15:08:09

4390

发布于 2021-03-02 15:08:09

数据是从网上获取的，关于一份NBA的数据

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

path = r"D:\Python\datalearning\利用Python进行数据分析\NBA_Data.csv"

读取数据

data = pd.read_csv(path, encoding='utf-8', names=[
    '球员姓名','赛季','胜负','对手名称','对手总得分','己方总得分',
    '己方名称','首发','上场时间','投篮命中率','投篮命中数','投篮出手数',
    '三分命中率','三分命中数','三分出手数','罚球命中率','罚球命中数','罚球次数',
    '总篮板数','前场篮板数','后场篮板数','助攻数','抢断数','盖帽数','失误数','犯规数','得分'
])
df = pd.DataFrame(data)

查看数据

head()：前5行
tail()：后5行

df.head()

	球员姓名	赛季	胜负	对手名称	对手总得分	己方总得分	己方名称	首发	上场时间	投篮命中率	...	罚球次数	总篮板数	前场篮板数	后场篮板数	助攻数	抢断数	盖帽数	失误数	犯规数	得分
0	勒布朗-詹姆斯	18-19	胜	黄蜂	115	129	湖人	1	32	57.9	...	2	3	0	3	9	0	0	6	1	27
1	勒布朗-詹姆斯	18-19	胜	奇才	106	124	湖人	1	34	55.0	...	2	7	0	7	14	1	0	3	1	23
2	勒布朗-詹姆斯	18-19	胜	国王	106	111	湖人	1	35	40.9	...	9	11	2	9	11	2	1	4	1	29
3	勒布朗-詹姆斯	18-19	负	篮网	111	106	湖人	1	37	32.0	...	12	9	3	6	14	1	1	8	3	25
4	勒布朗-詹姆斯	18-19	负	尼克斯	124	123	湖人	1	35	42.3	...	13	6	2	4	8	0	1	2	2	33

5 rows × 27 columns

修改列属性名称

将对手名称改成对手：对手名称--->对手，球员姓名--->姓名
同时修改多个属性，用字典的形式

df.rename(columns={"对手名称": "对手", "球员姓名": "姓名"})

.dataframe tbody tr th:only-of-type { vertical-align: middle; } <pre><code>.dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; } </code></pre>

查看某个属性的种类

查看和每个对手分别比赛了多少场次，降序排列

	姓名	赛季	胜负	对手	对手总得分	己方总得分	己方名称	首发	上场时间	投篮命中率	...	罚球次数	总篮板数	前场篮板数	后场篮板数	助攻数	抢断数	盖帽数	失误数	犯规数	得分
0	勒布朗-詹姆斯	18-19	胜	黄蜂	115	129	湖人	1	32	57.9	...	2	3	0	3	9	0	0	6	1	27
1	勒布朗-詹姆斯	18-19	胜	奇才	106	124	湖人	1	34	55.0	...	2	7	0	7	14	1	0	3	1	23
2	勒布朗-詹姆斯	18-19	胜	国王	106	111	湖人	1	35	40.9	...	9	11	2	9	11	2	1	4	1	29
3	勒布朗-詹姆斯	18-19	负	篮网	111	106	湖人	1	37	32.0	...	12	9	3	6	14	1	1	8	3	25
4	勒布朗-詹姆斯	18-19	负	尼克斯	124	123	湖人	1	35	42.3	...	13	6	2	4	8	0	1	2	2	33
5	勒布朗-詹姆斯	18-19	负	猛龙	111	98	湖人	1	32	52.2	...	7	4	0	4	6	1	0	4	2	29
6	勒布朗-詹姆斯	18-19	胜	公牛	107	123	湖人	1	33	65.2	...	5	10	1	9	4	2	0	5	2	36
7	勒布朗-詹姆斯	18-19	负	凯尔特	120	107	湖人	1	28	56.5	...	7	10	2	8	12	0	0	3	0	30
8	勒布朗-詹姆斯	18-19	负	掘金	115	99	湖人	1	31	59.1	...	8	7	0	7	7	1	1	4	4	31
9	勒布朗-詹姆斯	18-19	负	快船	113	105	湖人	1	42	50.0	...	12	8	0	8	6	1	1	2	3	27
10	勒布朗-詹姆斯	18-19	负	太阳	118	109	湖人	1	41	47.6	...	7	9	0	9	16	0	0	3	2	27
11	勒布朗-詹姆斯	18-19	负	雄鹿	131	120	湖人	1	39	52.6	...	10	7	2	5	10	1	0	3	2	31
12	勒布朗-詹姆斯	18-19	胜	鹈鹕	119	125	湖人	1	37	54.2	...	8	6	1	5	10	2	1	2	2	33
13	勒布朗-詹姆斯	18-19	负	灰熊	110	105	湖人	1	40	34.8	...	10	12	3	9	11	3	0	5	3	24
14	勒布朗-詹姆斯	18-19	负	鹈鹕	128	115	湖人	1	39	64.7	...	6	7	0	7	12	4	1	4	0	27
15	勒布朗-詹姆斯	18-19	胜	火箭	106	111	湖人	1	40	47.8	...	10	12	4	8	6	1	1	4	1	29
16	勒布朗-詹姆斯	18-19	负	老鹰	117	113	湖人	1	43	40.0	...	11	11	2	9	16	3	1	2	3	28
17	勒布朗-詹姆斯	18-19	胜	凯尔特	128	129	湖人	1	38	52.4	...	5	12	2	10	12	3	0	3	4	28
18	勒布朗-詹姆斯	18-19	负	步行者	136	94	湖人	1	30	58.3	...	3	7	0	7	9	1	0	6	1	18
19	勒布朗-詹姆斯	18-19	胜	快船	120	123	湖人	1	40	40.9	...	7	14	1	13	9	1	0	4	0	24
20	勒布朗-詹姆斯	18-19	胜	勇士	101	127	湖人	1	21	54.5	...	8	13	2	11	5	1	0	2	1	17
21	勒布朗-詹姆斯	18-19	负	灰熊	107	99	湖人	1	36	57.1	...	4	14	1	13	7	1	1	4	0	22

12	df['对手名称'].value_counts() # 默认降序# df['对手名称'].value_counts(ascending=True) 改成升序

公牛     56
雄鹿     56
步行者    56
活塞     55
老鹰     55
魔术     55
篮网     54
猛龙     53
尼克斯    53
凯尔特    51
奇才     50
76人    44
热火     38
黄蜂     36
山猫     35
太阳     32
马刺     31
森林狼    31
掘金     31
灰熊     31
开拓者    30
火箭     30
湖人     30
快船     30
爵士     30
国王     28
勇士     28
小牛     26
雷霆     19
骑士     14
鹈鹕     13
超音速     8
独行侠     4
Name: 对手名称, dtype: int64

查看得分的最高和最低分

print(max(df['得分']))
print(min(df['得分']))

61
3

查看胜负场数总和

print((df["胜负"]=='胜').sum())
print((df["胜负"]=='负').sum())

787
406

得分柱状图

# 解决中文乱码问题
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['font.family']='sans-serif'
plt.rcParams['axes.unicode_minus']=False

# 画布大小，防止横纵坐标重叠
plt.figure(figsize = (12, 7))

# 图标设置
plt.title("得分次数统计图")
# 横坐标标签
plt.xlabel('得分')
# 纵坐标标签
plt.ylabel('得分次数')

score = df['得分'].value_counts()
score.plot(kind='bar', rot=0)

# 图片保存
plt.savefig('./score.png', bbox_inches='tight')
plt.show()
plt.close()

对手得分前5名通过`sort_values()`函数进行排序，`ascending=False`指定为降序

df.sort_values(by='对手总得分', ascending=False).head(3)

.dataframe tbody tr th:only-of-type { vertical-align: middle; } <pre><code>.dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; } </code></pre>

	球员姓名	赛季	胜负	对手名称	对手总得分	己方总得分	己方名称	首发	上场时间	投篮命中率	...	罚球次数	总篮板数	前场篮板数	后场篮板数	助攻数	抢断数	盖帽数	失误数	犯规数	得分
89	勒布朗-詹姆斯	17-18	负	雷霆	148	124	骑士	1	38	47.1	...	4	3	0	3	7	0	1	2	2	18
51	勒布朗-詹姆斯	18-19	负	马刺	143	142	湖人	1	43	44.0	...	11	8	2	6	14	1	1	5	2	32
81	勒布朗-詹姆斯	17-18	胜	森林狼	138	140	骑士	1	48	72.7	...	2	10	1	9	15	1	1	5	3	37

3 rows × 27 columns

查看数据的多种信息

总数
中位数
平均值
最小值
…

df.describe()

.dataframe tbody tr th:only-of-type { vertical-align: middle; } <p><img src="https://s2.ax1x.com/2019/10/13/uj27gx.png" alt=""></p> <p>以上为部分数据截图</p> <h3 id="关于index使用">关于index使用</h3> <h4 id="两个属性的层次化索引">两个属性的层次化索引</h4> <ul> <li> <p>"对手名称"是第一层索引</p> </li> <li> <p>"赛季"是第二层索引</p> </li> </ul> <p><strong>数据含义：同一对手在不同赛季下的各种数据</strong></p> <figure class="highlight python"><table><tr><td class="gutter"><pre><span class="line">1</span><br></pre></td><td class="code"><pre><span class="line">pd.pivot_table(df, index=[<span class="string">'对手名称'</span>,<span class="string">'赛季'</span>])</span><br></pre></td></tr></table></figure> <div> <style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } <pre><code>.dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; } </code></pre>

limit_output extension: Maximum message size of 10000 exceeded with 34500 characters

交换两个属性的位置

数据显示的是在同一个赛季的情况下，不同的对手的数据情况

		三分出手数	三分命中数	三分命中率	上场时间	前场篮板数	助攻数	后场篮板数	失误数	对手总得分	己方总得分	...	投篮出手数	投篮命中数	投篮命中率	抢断数	犯规数	盖帽数	罚球命中数	罚球命中率	罚球次数	首发
对手名称	赛季
76人	03-04	3.333333	2.000000	40.466667	40.666667	1.000000	6.666667	3.000000	4.666667	85.000000	83.333333	...	18.666667	9.666667	49.800000	1.666667	1.333333	1.000000	3.333333	68.533333	5.333333	1.0
	04-05	3.666667	0.666667	11.100000	44.666667	1.666667	7.333333	7.666667	5.000000	98.000000	89.333333	...	23.666667	9.000000	37.366667	4.333333	0.666667	0.000000	10.333333	88.866667	11.666667	1.0
	05-06	5.750000	1.750000	23.400000	43.000000	2.000000	7.000000	4.250000	4.500000	106.750000	112.250000	...	21.750000	12.500000	57.600000	2.250000	2.000000	0.750000	7.500000	76.950000	9.750000	1.0
	06-07	4.666667	1.333333	20.833333	43.333333	1.000000	7.333333	5.333333	4.000000	101.666667	107.000000	...	20.333333	10.333333	50.166667	0.333333	3.000000	0.333333	5.333333	58.566667	9.000000	1.0
	07-08	1.666667	0.666667	33.333333	42.000000	1.333333	6.666667	5.000000	3.000000	90.000000	89.333333	...	18.000000	10.333333	57.433333	1.666667	2.666667	1.000000	3.333333	83.333333	5.333333	1.0
	08-09	4.666667	1.333333	27.766667	37.666667	1.666667	7.333333	2.666667	0.666667	85.666667	97.000000	...	20.000000	9.000000	45.166667	0.333333	3.333333	2.000000	8.666667	81.933333	10.666667	1.0
	09-10	6.666667	2.666667	43.333333	40.333333	0.333333	8.666667	6.000000	3.000000	95.666667	101.666667	...	21.333333	10.666667	50.033333	1.333333	2.333333	1.333333	6.333333	66.166667	9.666667	1.0
	10-11	3.666667	0.666667	15.000000	40.000000	1.000000	5.000000	7.000000	5.000000	92.000000	102.333333	...	14.666667	7.000000	46.566667	2.333333	1.666667	1.000000	8.000000	93.933333	8.666667	1.0
	11-12	1.250000	0.250000	12.500000	37.250000	1.500000	6.250000	7.000000	2.750000	85.500000	98.750000	...	19.500000	11.750000	60.150000	2.250000	0.750000	2.000000	5.500000	72.350000	7.750000	1.0
	12-13	3.250000	1.250000	41.675000	33.250000	1.500000	7.250000	6.250000	2.500000	91.000000	105.000000	...	16.250000	9.250000	57.450000	1.500000	1.250000	0.750000	4.000000	73.325000	5.250000	1.0
	13-14	4.000000	2.000000	28.550000	37.000000	0.500000	11.500000	5.500000	3.500000	100.000000	105.500000	...	15.000000	8.000000	53.350000	1.000000	3.000000	0.500000	5.000000	81.250000	6.000000	1.0
	14-15	4.000000	1.000000	25.000000	37.000000	1.000000	8.500000	6.000000	5.500000	85.000000	92.000000	...	20.500000	7.000000	34.300000	1.000000	1.000000	0.500000	4.000000	66.650000	6.000000	1.0
	15-16	4.000000	1.500000	30.000000	32.750000	0.000000	9.250000	6.250000	2.250000	93.250000	104.500000	...	20.000000	11.500000	57.225000	2.750000	1.250000	0.750000	3.750000	77.100000	5.000000	1.0
	16-17	5.333333	1.666667	29.300000	36.000000	1.666667	11.000000	7.333333	4.000000	104.666667	112.000000	...	21.333333	10.666667	50.033333	1.000000	1.000000	0.333333	5.333333	71.166667	7.333333	1.0
公牛	03-04	3.500000	0.750000	22.925000	37.250000	1.250000	6.250000	3.000000	4.000000	88.250000	91.750000	...	19.750000	7.500000	37.925000	1.750000	1.250000	2.500000	5.500000	71.875000	7.500000	1.0
	04-05	2.250000	0.750000	43.750000	41.750000	1.500000	7.750000	3.750000	3.000000	95.000000	92.750000	...	19.250000	8.500000	45.200000	2.750000	2.250000	0.750000	6.750000	65.550000	10.500000	1.0

1	pd.pivot_table(df, index=['赛季', '对手名称'])

.dataframe tbody tr th:only-of-type { vertical-align: middle; } <pre><code>.dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; } </code></pre> <

limit_output extension: Maximum message size of 10000 exceeded with 34292 characters

数据框中选取部分values

		三分出手数	三分命中数	三分命中率	上场时间	前场篮板数	助攻数	后场篮板数	失误数	对手总得分	己方总得分	...	投篮出手数	投篮命中数	投篮命中率	抢断数	犯规数	盖帽数	罚球命中数	罚球命中率	罚球次数	首发
赛季	对手名称
03-04	76人	3.333333	2.000000	40.466667	40.666667	1.000000	6.666667	3.000000	4.666667	85.000000	83.333333	...	18.666667	9.666667	49.800000	1.666667	1.333333	1.000000	3.333333	68.533333	5.333333	1.0
	公牛	3.500000	0.750000	22.925000	37.250000	1.250000	6.250000	3.000000	4.000000	88.250000	91.750000	...	19.750000	7.500000	37.925000	1.750000	1.250000	2.500000	5.500000	71.875000	7.500000	1.0
	凯尔特	4.500000	1.000000	21.675000	41.500000	0.500000	4.000000	3.750000	3.000000	98.000000	89.750000	...	19.000000	7.250000	36.950000	1.250000	2.250000	0.250000	7.000000	73.400000	8.750000	1.0
	勇士	5.000000	2.500000	50.000000	44.500000	2.500000	8.000000	4.500000	2.500000	111.000000	101.000000	...	24.500000	10.000000	40.500000	2.000000	0.500000	0.500000	9.000000	74.100000	12.000000	1.0
	国王	2.000000	0.000000	0.000000	42.000000	2.000000	9.000000	4.000000	2.000000	106.000000	92.000000	...	20.000000	12.000000	60.000000	4.000000	3.000000	0.000000	1.000000	33.300000	3.000000	1.0
	太阳	5.000000	1.500000	30.000000	41.500000	1.500000	7.000000	5.500000	6.000000	99.000000	86.000000	...	19.000000	8.000000	42.600000	2.000000	0.500000	0.500000	5.500000	67.450000	8.000000	1.0
	奇才	1.500000	0.750000	25.000000	40.500000	2.500000	6.750000	2.750000	3.750000	102.500000	99.500000	...	20.000000	9.500000	46.775000	1.750000	2.250000	1.250000	4.500000	70.450000	6.250000	1.0
	小牛	1.000000	0.000000	0.000000	38.000000	1.500000	7.500000	3.000000	4.000000	120.000000	103.500000	...	17.000000	9.500000	54.550000	2.000000	2.000000	0.500000	3.000000	75.000000	4.000000	1.0
	尼克斯	2.000000	0.750000	25.000000	38.500000	0.500000	5.500000	3.250000	3.000000	88.000000	98.250000	...	16.500000	7.000000	43.925000	1.500000	1.000000	0.500000	2.750000	66.675000	3.750000	1.0
	开拓者	1.500000	0.000000	0.000000	39.000000	1.500000	7.500000	5.500000	3.500000	89.000000	85.500000	...	17.500000	9.000000	45.100000	2.500000	2.000000	0.000000	2.000000	100.000000	2.000000	1.0
	快船	2.500000	0.000000	0.000000	36.500000	3.000000	8.000000	3.500000	4.000000	92.500000	91.500000	...	14.500000	4.000000	26.450000	1.000000	2.000000	0.500000	1.000000	25.000000	2.000000	1.0
	掘金	2.500000	1.000000	33.350000	36.500000	2.500000	6.000000	6.000000	2.000000	104.000000	96.000000	...	15.000000	4.500000	29.450000	2.000000	2.500000	1.500000	3.000000	85.700000	4.000000	1.0
	森林狼	2.500000	0.500000	16.650000	40.000000	1.500000	3.500000	7.500000	2.000000	100.000000	87.500000	...	18.500000	7.000000	37.700000	0.500000	3.000000	0.000000	2.000000	62.500000	3.500000	1.0
	步行者	2.750000	0.250000	12.500000	42.500000	0.750000	4.250000	4.750000	5.250000	95.500000	92.750000	...	19.000000	9.750000	51.600000	1.500000	2.000000	1.000000	4.750000	72.475000	6.250000	1.0
	活塞	2.500000	0.500000	14.575000	38.250000	1.000000	6.250000	3.000000	3.250000	89.000000	86.000000	...	16.250000	5.000000	29.700000	0.750000	3.000000	0.750000	3.500000	80.425000	4.500000	1.0
	湖人	3.500000	2.000000	50.000000	40.000000	0.500000	5.500000	4.000000	3.000000	100.000000	92.500000	...	23.000000	9.000000	38.100000	0.500000	1.500000	0.500000	4.000000	80.000000	5.000000	1.0
	火箭	3.000000	1.000000	25.000000	37.500000

1	df.head(3)

.dataframe tbody tr th:only-of-type { vertical-align: middle; } <pre><code>.dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; } </code></pre>

	球员姓名	赛季	胜负	对手名称	对手总得分	己方总得分	己方名称	首发	上场时间	投篮命中率	...	罚球次数	总篮板数	前场篮板数	后场篮板数	助攻数	抢断数	盖帽数	失误数	犯规数	得分
0	勒布朗-詹姆斯	18-19	胜	黄蜂	115	129	湖人	1	32	57.9	...	2	3	0	3	9	0	0	6	1	27
1	勒布朗-詹姆斯	18-19	胜	奇才	106	124	湖人	1	34	55.0	...	2	7	0	7	14	1	0	3	1	23
2	勒布朗-詹姆斯	18-19	胜	国王	106	111	湖人	1	35	40.9	...	9	11	2	9	11	2	1	4	1	29

3 rows × 27 columns

生成透视表，使用部分数据

查看詹姆斯在不同的赛季下的胜负情况，以及总篮板数、助攻数、抢断数、犯规数四项数据：

pd.pivot_table(df
               ,index=['赛季', '胜负']
               ,values=['总篮板数','助攻数', '抢断数', '犯规数']
              )

.dataframe tbody tr th:only-of-type { vertical-align: middle; } <pre><code>.dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; } </code></pre>

		助攻数	总篮板数	抢断数	犯规数
赛季	胜负
03-04	胜	6.121212	5.787879	1.818182	1.848485
03-04	负	5.717391	5.239130	1.521739	1.913043
04-05	胜	7.560976	7.731707	2.487805	1.902439
04-05	负	6.846154	6.948718	1.923077	1.743590
05-06	胜	6.957447	7.276596	1.829787	2.297872
05-06	负	6.062500	6.687500	1.156250	2.281250
06-07	胜	6.234043	6.872340	1.723404	2.148936
06-07	负	5.709677	6.548387	1.419355	2.258065
07-08	胜	7.755556	8.644444	2.111111	2.200000
07-08	负	6.333333	6.766667	1.433333	2.200000
08-09	胜	7.348485	7.696970	1.712121	1.636364
08-09	负	6.800000	7.000000	1.600000	2.066667
09-10	胜	8.750000	7.383333	1.616667	1.483333
09-10	负	7.875000	6.937500	1.750000	1.875000
10-11	胜	7.070175	7.368421	1.666667	2.017544
10-11	负	6.863636	7.727273	1.318182	2.181818
11-12	胜	6.422222	7.888889	1.955556	1.622222
11-12	负	5.764706	8.058824	1.588235	1.352941
12-13	胜	7.573770	8.049180	1.606557	1.295082
12-13	负	5.933333	7.933333	2.066667	2.066667
13-14	胜	6.365385	7.038462	1.692308	1.423077
13-14	负	6.280000	6.680000	1.320000	2.080000
14-15	胜	8.000000	6.340000	1.700000	1.860000
14-15	负	5.842105	5.210526	1.263158	2.210526
15-16	胜	7.392857	7.267857	1.517857	1.839286
15-16	负	5.000000	7.900000	0.950000	2.000000
16-17	胜	9.372549	8.431373	1.196078	1.745098
16-17	负	7.304348	9.086957	1.347826	1.956522
17-18	胜	10.062500	9.104167	1.458333	1.666667
17-18	负	7.533333	7.500000	1.333333	1.766667
18-19	胜	8.071429	8.892857	1.428571	1.535714
18-19	负	8.423077	7.923077	1.230769	1.846154

Aggfunc

参数详解

参数的含义：设置我们对数据聚合时使用的函数操作
不同的属性可以使用不同的参数，用字典形式
默认情况：求均值mean
多个参数使用列表形式，可以使用numpy的函数形式，例如：np.sum、np.mean

pd.pivot_table(df
               ,index=['赛季', '胜负']
               ,values=['总篮板数','助攻数', '抢断数', '犯规数']
               ,aggfunc=[np.mean, np.sum, np.median]
              )

.dataframe tbody tr th:only-of-type { vertical-align: middle; } .dataframe tbody tr th { vertical-align: top; } <pre><code>.dataframe thead tr th { text-align: left; } .dataframe thead tr:last-of-type th { text-align: right; } </code></pre>

limit_output extension: Maximum message size of 10000 exceeded with 10892 characters

字典形式

		mean				sum				median
		助攻数	总篮板数	抢断数	犯规数	助攻数	总篮板数	抢断数	犯规数	助攻数	总篮板数	抢断数	犯规数
赛季	胜负
03-04	胜	6.121212	5.787879	1.818182	1.848485	202	191	60	61	5.0	6.0	2.0	2.0
03-04	负	5.717391	5.239130	1.521739	1.913043	263	241	70	88	6.0	5.0	1.0	2.0
04-05	胜	7.560976	7.731707	2.487805	1.902439	310	317	102	78	7.0	8.0	2.0	2.0
04-05	负	6.846154	6.948718	1.923077	1.743590	267	271	75	68	7.0	7.0	2.0	2.0
05-06	胜	6.957447	7.276596	1.829787	2.297872	327	342	86	108	7.0	7.0	2.0	2.0
05-06	负	6.062500	6.687500	1.156250	2.281250	194	214	37	73	6.0	7.0	1.0	2.0
06-07	胜	6.234043	6.872340	1.723404	2.148936	293	323	81	101	6.0	7.0	2.0	2.0
06-07	负	5.709677	6.548387	1.419355	2.258065	177	203	44	70	6.0	6.0	1.0	2.0
07-08	胜	7.755556	8.644444	2.111111	2.200000	349	389	95	99	8.0	8.0	2.0	2.0
07-08	负	6.333333	6.766667	1.433333	2.200000	190	203	43	66	6.0	6.0	1.5	2.0
08-09	胜	7.348485	7.696970	1.712121	1.636364	485	508	113	108	7.0	7.0	1.5	1.0
08-09	负	6.800000	7.000000	1.600000	2.066667	102	105	24	31	6.0	7.0	1.0	1.0
09-10	胜	8.750000	7.383333	1.616667	1.483333	525	443	97	89	9.0	7.0	1.5	1.5
09-10	负	7.875000	6.937500	1.750000	1.875000	126	111	28	30	7.0	6.5	2.0	2.0
10-11	胜	7.070175	7.368421	1.666667	2.017544	403	420	95	115	7.0	7.0	1.0	2.0
10-11	负	6.863636	7.727273	1.318182	2.181818	151	170	29	48	6.5	8.0	1.0	2.0
11-12	胜	6.422222	7.888889	1.955556	1.622222	289	355	88	73	6.0	8.0	2.0	2.0
11-12	负	5.764706	8.058824	1.588235	1.352941	98	137	27	23	6.0	7.0	2.0	1.0
12-13	胜	7.573770	8.049180	1.606557	1.295082	462	491	98	79	7.0	8.0	2.0	1.0
12-13	负	5.933333	7.933333	2.066667	2.066667	89	119	31	31	6.0	7.0	2.0	2.0
13-14	胜	6.365385	7.038462	1.692308	1.423077	331	366	88	74	6.0	7.0	1.0	1.0
13-14	负	6.280000	6.680000	1.320000	2.080000	157	167	33	52	6.0	7.0	1.0	2.0
14-15	胜	8.000000	6.340000	1.700000	1.860000	400	317	85	93	7.0	6.0	1.0	2.0
14-15	负	5.842105	5.210526	1.263158	2.210526	111	99	24	42	5.0	5.0	1.0	2.0
15-16	胜	7.392857	7.267857	1.517857	1.839286	414	407	85	103	7.5	7.0	2.0	2.0
15-16	负	5.000000	7.900000	0.950000	2.000000	100	158	19	40	5.0	7.0	1.0	2.0
16-17	胜	9.372549	8.431373	1.196078	1.745098	478	430	61	89	9.0	8.0	1.0	2.0
16-17	负	7.304348	9.086957	1.347826	1.956522	168	209	31	45	7.0	8.0	1.0	2.0
17-18	胜	10.062500	9.104167	1.458333	1.666667	483	437	70	80	10.0	9.5	1.0	2.0

123456	pd.pivot_table(df ,index=['赛季', '胜负'] ,values=['总篮板数','助攻数', '抢断数', '犯规数'] ,aggfunc={"总篮板数": np.mean # 字典形式 ,'助攻数': np.sum} )

.dataframe tbody tr th:only-of-type { vertical-align: middle; } <pre><code>.dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; } </code></pre>

		助攻数	总篮板数
赛季	胜负
03-04	胜	202	5.787879
03-04	负	263	5.239130
04-05	胜	310	7.731707
04-05	负	267	6.948718
05-06	胜	327	7.276596
05-06	负	194	6.687500
06-07	胜	293	6.872340
06-07	负	177	6.548387
07-08	胜	349	8.644444
07-08	负	190	6.766667
08-09	胜	485	7.696970
08-09	负	102	7.000000
09-10	胜	525	7.383333
09-10	负	126	6.937500
10-11	胜	403	7.368421
10-11	负	151	7.727273
11-12	胜	289	7.888889
11-12	负	98	8.058824
12-13	胜	462	8.049180
12-13	负	89	7.933333
13-14	胜	331	7.038462
13-14	负	157	6.680000
14-15	胜	400	6.340000
14-15	负	111	5.210526
15-16	胜	414	7.267857
15-16	负	100	7.900000
16-17	胜	478	8.431373
16-17	负	168	9.086957
17-18	胜	483	9.104167
17-18	负	226	7.500000
18-19	胜	226	8.892857
18-19	负	219	7.923077

columns

columns类似index，可以设置成列层次化字段，非必须参数

pd.pivot_table(df
               ,index=['赛季']
               ,columns=['胜负']   # 新增参数columns
               ,values=['总篮板数','助攻数', '抢断数', '犯规数']
               ,aggfunc=[np.mean, np.sum]
               ,fill_value=0   # 缺失值补0
#                ,margins=1
              )

.dataframe tbody tr th:only-of-type { vertical-align: middle; } <pre><code>.dataframe tbody tr th { vertical-align: top; } .dataframe thead tr th { text-align: left; } .dataframe thead tr:last-of-type th { text-align: right; } </code></pre>

	mean										...	sum
	助攻数			总篮板数			抢断数			犯规数	...	助攻数	总篮板数			抢断数			犯规数
胜负	胜	负	All	胜	负	All	胜	负	All	胜	...	All	胜	负	All	胜	负	All	胜	负	All
赛季
03-04	6.121212	5.717391	5.886076	5.787879	5.239130	5.468354	1.818182	1.521739	1.645570	1.848485	...	465	191	241	432	60	70	130	61	88	149
04-05	7.560976	6.846154	7.212500	7.731707	6.948718	7.350000	2.487805	1.923077	2.212500	1.902439	...	577	317	271	588	102	75	177	78	68	146
05-06	6.957447	6.062500	6.594937	7.276596	6.687500	7.037975	1.829787	1.156250	1.556962	2.297872	...	521	342	214	556	86	37	123	108	73	181
06-07	6.234043	5.709677	6.025641	6.872340	6.548387	6.743590	1.723404	1.419355	1.602564	2.148936	...	470	323	203	526	81	44	125	101	70	171
07-08	7.755556	6.333333	7.186667	8.644444	6.766667	7.893333	2.111111	1.433333	1.840000	2.200000	...	539	389	203	592	95	43	138	99	66	165
08-09	7.348485	6.800000	7.246914	7.696970	7.000000	7.567901	1.712121	1.600000	1.691358	1.636364	...	587	508	105	613	113	24	137	108	31	139
09-10	8.750000	7.875000	8.565789	7.383333	6.937500	7.289474	1.616667	1.750000	1.644737	1.483333	...	651	443	111	554	97	28	125	89	30	119
10-11	7.070175	6.863636	7.012658	7.368421	7.727273	7.468354	1.666667	1.318182	1.569620	2.017544	...	554	420	170	590	95	29	124	115	48	163
11-12	6.422222	5.764706	6.241935	7.888889	8.058824	7.935484	1.955556	1.588235	1.854839	1.622222	...	387	355	137	492	88	27	115	73	23	96
12-13	7.573770	5.933333	7.250000	8.049180	7.933333	8.026316	1.606557	2.066667	1.697368	1.295082	...	551	491	119	610	98	31	129	79	31	110
13-14	6.365385	6.280000	6.337662	7.038462	6.680000	6.922078	1.692308	1.320000	1.571429	1.423077	...	488	366	167	533	88	33	121	74	52	126
14-15	8.000000	5.842105	7.405797	6.340000	5.210526	6.028986	1.700000	1.263158	1.579710	1.860000	...	511	317	99	416	85	24	109	93	42	135
15-16	7.392857	5.000000	6.763158	7.267857	7.900000	7.434211	1.517857	0.950000	1.368421	1.839286	...	514	407	158	565	85	19	104	103	40	143
16-17	9.372549	7.304348	8.729730	8.431373	9.086957	8.635135	1.196078	1.347826	1.243243	1.745098	...	646	430	209	639	61	31	92	89	45	134
17-18	10.062500	7.533333	9.089744	9.104167	7.500000	8.487179	1.458333	1.333333	1.410256	1.666667	...	709	437	225	662	70	40	110	80	53	133
18-19	8.071429	8.423077	8.240741	8.892857	7.923077	8.425926	1.428571	1.230769	1.333333	1.535714	...	445	249	206	455	40	32	72	43	48	91
All	7.594663	6.497537	7.221291	7.604828	6.990148	7.395641	1.707751	1.445813	1.618609	1.770013	...	8615	5985	2838	8823	1344	587	1931	1393	808	2201

17 rows × 24 columns

# pivot_table和groupby机制的同样效果
pd.pivot_table(df,index=[字段1],values=[字段2],aggfunc=[函数],fill_value=0)
df.groupby([字段1])[字段2].agg(函数).fillna(0)

本文标题:NBA之旅1-透视表参数详解

发布时间:2019年10月13日 - 09:10

原始链接:http://www.renpeter.cn/2019/10/13/NBA%E4%B9%8B%E6%97%85-%E9%80%8F%E8%A7%86%E8%A1%A8%E5%8F%82%E6%95%B0%E8%AF%A6%E8%A7%A3.html

许可协议: 署名-非商业性使用-禁止演绎 4.0 国际转载请保留原文链接及作者。

本文参与腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

原始发表：2019-10-13，如有侵权请联系 cloudcommunity@tencent.com 删除

编程算法

本文分享自作者个人站点/博客前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

编程算法