
df = pd.DataFrame({'专业': np.repeat(['数学与应用数学', '计算机', '统计学','物理学'], 6),
'班级': ['1班','2班','3班']*8,
'科目': ['高数', '线代'] * 12,
'平均分': [random.randint(60,100) for i in range(24)],
'及格人数': [random.randint(30,50) for i in range(24)]})
df2 = pd.pivot_table(df, index=['专业','科目'], values=['及格人数','平均分'],
aggfunc={'及格人数':np.sum,"平均分":np.mean})
df2
及格人数 | 平均分 | ||
---|---|---|---|
专业 | 科目 | ||
数学与应用数学 | 线代 | 107 | 76.000000 |
高数 | 107 | 65.000000 | |
物理学 | 线代 | 111 | 82.333333 |
高数 | 115 | 78.666667 | |
统计学 | 线代 | 107 | 71.000000 |
高数 | 122 | 74.000000 | |
计算机 | 线代 | 122 | 78.333333 |
高数 | 137 | 74.000000 |
stacked = df2.stack()
“压缩”后的DataFrame或Series(具有MultiIndex作为索引), stack() 的逆操作是unstack(),默认情况下取消最后压缩的那个级别:
堆叠stack()
,顾名思义就是把透视结果堆到一起。接下来我们把透视后堆叠的数据一步步展开unstack()
:
stacked.unstack()
及格人数 | 平均分 | ||
---|---|---|---|
专业 | 科目 | ||
数学与应用数学 | 线代 | 107.0 | 76.000000 |
高数 | 107.0 | 65.000000 | |
物理学 | 线代 | 111.0 | 82.333333 |
高数 | 115.0 | 78.666667 | |
统计学 | 线代 | 107.0 | 71.000000 |
高数 | 122.0 | 74.000000 | |
计算机 | 线代 | 122.0 | 78.333333 |
高数 | 137.0 | 74.000000 |
stacked.unstack(level=1)
科目 | 线代 | 高数 | |
---|---|---|---|
专业 | |||
数学与应用数学 | 及格人数 | 107.000000 | 107.000000 |
平均分 | 76.000000 | 65.000000 | |
物理学 | 及格人数 | 111.000000 | 115.000000 |
平均分 | 82.333333 | 78.666667 | |
统计学 | 及格人数 | 107.000000 | 122.000000 |
平均分 | 71.000000 | 74.000000 | |
计算机 | 及格人数 | 122.000000 | 137.000000 |
平均分 | 78.333333 | 74.000000 |
stacked.unstack(level=0)
专业 | 数学与应用数学 | 物理学 | 统计学 | 计算机 | |
---|---|---|---|---|---|
科目 | |||||
线代 | 及格人数 | 107.0 | 111.000000 | 107.0 | 122.000000 |
平均分 | 76.0 | 82.333333 | 71.0 | 78.333333 | |
高数 | 及格人数 | 107.0 | 115.000000 | 122.0 | 137.000000 |
平均分 | 65.0 | 78.666667 | 74.0 | 74.000000 |
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
评判两组数据与初始数据准确值的方法 在数据分析与研究中,我们常常会面临这样的情况:需要对通过不同方法、不同过程得到的两组 ...
2025-08-01通过 COX 回归模型诊断异常值 一、COX 回归模型概述 COX 回归模型,又称比例风险回归模型,是一种用于生存分析的统计方法。它能 ...
2025-08-01CDA 数据分析师报考条件详解:迈向专业认证的指南 在数据分析行业蓬勃发展的当下,CDA 数据分析师认证成为众多从业者提升专业 ...
2025-08-01K-S 曲线、回归与分类:数据分析中的重要工具 在数据分析与机器学习领域,K-S 曲线、回归和分类是三个核心概念与工具,它们各 ...
2025-07-31大数据时代对定性分析的影响 在大数据时代,海量、多样、高速且低价值密度的数据充斥着我们的生活与工作。而定性分析作为一 ...
2025-07-31CDA含金量分析 在数字经济与人工智能深度融合的时代,数据驱动决策已成为企业核心竞争力的关键要素。CDA(Certified Data Analys ...
2025-07-31SASEM 决策树:理论与实践应用 在复杂的决策场景中,如何从海量数据中提取有效信息并制定科学决策,是各界关注的焦点。SASEM 决 ...
2025-07-30SPSS 语法使用详解 在当今数据驱动的时代,SPSS( Statistical Package for the Social Sciences)作为一款功能强大的统计分析软 ...
2025-07-30人工智能对CDA数据分析领域的影响 人工智能对 CDA(Certified Data Analyst,注册数据分析师)数据分析领域的影响是全方位、多层 ...
2025-07-30MySQL执行计划中rows的计算逻辑:从原理到实践 MySQL 执行计划中 rows 的计算逻辑:从原理到实践 在 MySQL 数据库的查询优化中 ...
2025-07-29左偏态分布转正态分布:方法、原理与实践 左偏态分布转正态分布:方法、原理与实践 在统计分析、数据建模和科学研究中,正态分 ...
2025-07-29CDA 数据分析师的职业生涯规划:从入门到卓越的成长之路 在数字经济蓬勃发展的当下,数据已成为企业核心竞争力的重要来源,而 CD ...
2025-07-29CDA数据分析师证书考取全攻略 一、了解 CDA 数据分析师认证 CDA 数据分析师认证是一套科学化、专业化、国际化的人才考核标准, ...
2025-07-29解析神经网络中 Softmax 函数的核心作用 在神经网络的发展历程中,激活函数扮演着至关重要的角色,它们为网络赋予了非线性能力, ...
2025-07-29解析 response.text 与 response.content 的核心区别 在网络数据请求与处理的场景中,开发者经常需要从服务器返回的响应中提取数 ...
2025-07-29鸢尾花判别分析:机器学习中的经典实践案例 在机器学习的世界里,有一个经典的数据集如同引路明灯,为无数初学者打开了模式识别 ...
2025-07-29用 Python 开启数据分析之旅:从基础到实践的完整指南 在数据驱动决策的时代,数据分析已成为各行业不可或缺的核心能力。而 Pyt ...
2025-07-29从 CDA LEVEL II 考试题型看 Python 数据分析要点 在数据科学领域蓬勃发展的当下,CDA(Certified Data Analyst)认证成为众多从 ...
2025-07-29CDA 数据分析师的工作范围解析 在数字化时代的浪潮下,数据已成为企业发展的核心资产之一。CDA(Certified Data Analyst)数据分 ...
2025-07-29解析 insert into select 是否会锁表:原理、场景与应对策略 在数据库操作中,insert into select 是一种常用的批量数据插入语句 ...
2025-07-29