数据分组是在行方向上不断拆分；而数据透视表则是在行和列方向上同时拆分。

在Python中，通过pivot_table()函数来实现数据透视表的功能，其主要的参数说明如下：

• data 用于设定需要操作的DataFrame对象。

• values 用于设置被计算的数据项，是可选的。

• index 行分组键。

• columns 列分组键。

• aggfunc 用于设置对values的计算类型。

• fill_value 用于设定缺省值，默认为None。

• dropna 用于设置是否删除缺失值，默认为True，不删除。

• margins 用于设置是否添加行/列的总计，默认为False，不添加。

• margins_name 用于设置margins 行/列的名称，默认为“All”。

接下来看一个简单的示例：

import pandas as pd
df=pd.read_excel(r"D:\PythonTestFile\exam_new.xlsx")
print(df,'\n')
print(pd.pivot_table(df,values='Chinese',columns='Sex',index='Age',aggfunc='mean'))

运行结果为：

       Name     Sex  Age  Chinese  English  Math
0      Noah    male   15       90       50    66
1      Emma  female   16       56       56    55
2       Bob    male   15       99       84    89
3    Olivia  female   17       86       87    44
4      Jeff    male   16       48       87    65
5      Liam    male   14       55       88    69
6    Sophia  female   15       90       66    96
7  Isabella  female   16       66       85    55 

Sex  female  male
Age              
14      NaN  55.0
15     90.0  94.5
16     61.0  48.0
17     86.0   NaN

默认情况下，数据透视表没有合计列，可以将margins设为True来添加合计列。

import pandas as pd
df=pd.read_excel(r"D:\PythonTestFile\exam_new.xlsx")
print(df,'\n')
print(pd.pivot_table(df,values='Chinese',columns='Sex',index='Age',aggfunc='mean',margins=True))

运行结果为：

       Name     Sex  Age  Chinese  English  Math
0      Noah    male   15       90       50    66
1      Emma  female   16       56       56    55
2       Bob    male   15       99       84    89
3    Olivia  female   17       86       87    44
4      Jeff    male   16       48       87    65
5      Liam    male   14       55       88    69
6    Sophia  female   15       90       66    96
7  Isabella  female   16       66       85    55 

Sex  female  male        All
Age                         
14      NaN  55.0  55.000000
15     90.0  94.5  93.000000
16     61.0  48.0  56.666667
17     86.0   NaN  86.000000
All    74.5  73.0  73.750000

合计列的名称默认是All，可以通过参数margins_name进行重新命名。

import pandas as pd
df=pd.read_excel(r"D:\PythonTestFile\exam_new.xlsx")
print(df,'\n')
print(pd.pivot_table(df,values='Chinese',columns='Sex',index='Age',aggfunc='mean',margins=True,
margins_name='合计'))

运行结果为：

       Name     Sex  Age  Chinese  English  Math
0      Noah    male   15       90       50    66
1      Emma  female   16       56       56    55
2       Bob    male   15       99       84    89
3    Olivia  female   17       86       87    44
4      Jeff    male   16       48       87    65
5      Liam    male   14       55       88    69
6    Sophia  female   15       90       66    96
7  Isabella  female   16       66       85    55 

Sex  female  male         合计
Age                         
14      NaN  55.0  55.000000
15     90.0  94.5  93.000000
16     61.0  48.0  56.666667
17     86.0   NaN  86.000000
合计     74.5  73.0  73.750000

NaN表示缺失值，可以通过参数fill_value对缺失值进行填充（替换）。

import pandas as pd
df=pd.read_excel(r"D:\PythonTestFile\exam_new.xlsx")
print(df,'\n')
print(pd.pivot_table(df,values='Chinese',columns='Sex',index='Age',aggfunc='mean',margins=True,
margins_name='合计',fill_value=0))

运行结果为：

       Name     Sex  Age  Chinese  English  Math
0      Noah    male   15       90       50    66
1      Emma  female   16       56       56    55
2       Bob    male   15       99       84    89
3    Olivia  female   17       86       87    44
4      Jeff    male   16       48       87    65
5      Liam    male   14       55       88    69
6    Sophia  female   15       90       66    96
7  Isabella  female   16       66       85    55 

Sex  female  male         合计
Age                         
14      0.0  55.0  55.000000
15     90.0  94.5  93.000000
16     61.0  48.0  56.666667
17     86.0   0.0  86.000000
合计     74.5  73.0  73.750000

可以通过向参数aggfunc传递一个字典类型数据，来同时对数据进行不同的计算。

import pandas as pd
df=pd.read_excel(r"D:\PythonTestFile\exam_new.xlsx")
print(df,'\n')
print(pd.pivot_table(df,values=['Chinese','English','Math'],columns='Sex',index='Age',
aggfunc={'Chinese':'mean','English':'max','Math':'min'}))

运行结果为：

       Name     Sex  Age  Chinese  English  Math
0      Noah    male   15       90       50    66
1      Emma  female   16       56       56    55
2       Bob    male   15       99       84    89
3    Olivia  female   17       86       87    44
4      Jeff    male   16       48       87    65
5      Liam    male   14       55       88    69
6    Sophia  female   15       90       66    96
7  Isabella  female   16       66       85    55 

    Chinese       English         Math      
Sex  female  male  female  male female  male
Age                                         
14      NaN  55.0     NaN  88.0    NaN  69.0
15     90.0  94.5    66.0  84.0   96.0  66.0
16     61.0  48.0    85.0  87.0   55.0  65.0
17     86.0   NaN    87.0   NaN   44.0   NaN

以上示例中，实现了对Chinese列求平均值；对English列求最大值；对Math列求最小值。