pivot_table() 的特点就是默认显示指定索引列和所有数值列。
索引显示的是唯一值，所以会把对应的数值处理成均值。其他str类型的列都会自动忽略。
当然，使用pivot_table() 时，可以通过添加参数进行计数或求和

示例中账号是int类型，如果是str类型，那么运行结果不会显示[‘账号’]这一列的内容。

import numpy as np
import pandas as pd
df = pd.DataFrame({ 
   
    '账号':[714466,714466,714466,737550,146832,218895,218895,412290,740150,141962,163416,239344,239344,307599,688981,729833,729833],
    '客户名称':['华山派股份有限公司','华山派股份有限公司','华山派股份有限公司','丐帮(北京) 合伙人公司','恶人谷资产管理公司','桃花岛','桃花岛','有间客栈','逍遥子影业','白驼山(上海)影视艺术有限公司','聚贤庄','全真教药业','全真教药业','天地会快递','福寿堂','快手三教育培训有限公司','快手三教育培训有限公司'],
    '销售':['令狐冲','令狐冲','令狐冲','令狐冲','江小鱼','江小鱼','江小鱼','段誉','段誉','欧阳克','欧阳克','欧阳克','欧阳克','韦小宝','韦小宝','韦小宝','韦小宝'],
    '销售总监':['岳不群','岳不群','岳不群','岳不群','岳不群','岳不群','岳不群','岳不群','岳不群','完颜洪烈','完颜洪烈','完颜洪烈','完颜洪烈','完颜洪烈','完颜洪烈','完颜洪烈','完颜洪烈'],
    '产品':['黑玉断续膏','葵花宝典','含笑半步癫','黑玉断续膏','黑玉断续膏','黑玉断续膏','葵花宝典','含笑半步癫','黑玉断续膏','黑玉断续膏','黑玉断续膏','含笑半步癫','葵花宝典','含笑半步癫','黑玉断续膏','黑玉断续膏','如意勾'],
    '数量':[1,2,1,3,1,3,1,2,4,2,2,1,3,5,2,3,1],
    '价格':[3000,2000,1000,3000,1000,3000,1000,2000,4000,2000,2000,1000,2000,3000,1000,4000,2000],
    '状态':['流程中','流程中','待审批','驳回','已完成','流程中','流程中','待审批','驳回','已完成','流程中','待审批','待审批','已完成','已完成','驳回','流程中'],
    })

index

指定单索引

索引变成了[客户名称]这一列，values显示的只有数字，而且都处理成均值。
比如：华山三个，数量4/3，价格6000/3，账号就不用说了，三个都一样，均值自然就是其中一个；快手两个，数量4/2，价格6000/2

指定多索引

索引顺序能决定不同的视觉体验，虽然结果是一致的。

pd.pivot_table(df, index=[‘销售总监’,’销售’,’客户名称’])	pd.pivot_table(df, index=[‘客户名称’,’销售’,’销售总监’])

values

如果不需要显示全部的数值列，可以用Values参数指定

# 显然Values不能随便指定，pivot_table()只能显示数值列
print(pd.pivot_table(df, index=['销售总监','销售'], values=['状态']))
''' Empty DataFrame Columns: [] Index: [(完颜洪烈, 欧阳克), (完颜洪烈, 韦小宝), (岳不群, 令狐冲), (岳不群, 段誉), (岳不群, 江小鱼)] '''

aggfunc

当我们未设置aggfunc时，它默认aggfunc=’mean’计算均值。

单一参数	多个参数
pd.pivot_table(df, index=[‘销售总监’,’销售’,’客户名称’],values=[‘数量’,’价格’],aggfunc=np.sum)	pd.pivot_table(df, index=[‘销售总监’,’销售’,’客户名称’],values=[‘数量’,’价格’],aggfunc=[np.mean,len,np.sum])

columns

fill_value

columns参数就是用来显示字符型数据的，和fill_value搭配使用
补充：当 values,aggfunc,columns 的取值只有一个时，有无中括号效果略有不同。

columns，没有的字段显示NaN	fill_value，用0填充空值
pd.pivot_table(df, index=[‘销售总监’,’销售’], values=[‘价格’],aggfunc=[np.sum],columns=[‘产品’])	pd.pivot_table(df, index=[‘销售总监’,’销售’], values=[‘价格’],aggfunc=[np.sum],columns=[‘产品’],fill_value=0)

通过添加参数，还可以显示更多信息。下面这个就花哨多了

pd.pivot_table(df, index=['销售总监','销售','客户名称','产品'],values=['数量','价格'],aggfunc=[np.sum],columns=['状态'],fill_value=0,margins=True)

以销售总监层面，来看销售状态
（aggfunc的参数使用了字典的方式对每一列做出了不同的计算要求。也可以加多个，比如 ‘价格’:[np.mean,np.sum]）

pd.pivot_table(df,index=['销售总监','状态'], values=['数量','价格'], columns=['产品'],aggfunc={ 
   '数量':len,'价格':np.sum},fill_value=0,margins=True)

数据透视表过滤

生成数据后，你可以使用DataFrame的操作方式对其进行过滤。

比如：你只想看某一位销售总监：

data = pd.pivot_table(df,index=['销售总监','状态'], values=['数量','价格'], columns=['产品'],aggfunc={ 
   '数量':len,'价格':np.sum},fill_value=0)
data.query("销售总监==['完颜洪烈']")

查看所有待审批和驳回的交易

data = pd.pivot_table(df,index=['销售总监','状态'], values=['数量','价格'], columns=['产品'],aggfunc={ 
   '数量':len,'价格':np.sum},fill_value=0)
data.query("状态==['待审批','驳回']")

转到Excel

pd.pivot_table(df,index=['销售总监','销售','产品'], values=['数量','价格'],aggfunc=[np.sum,np.mean],fill_value=0)

xs允许我向下钻取数据透视表的一个横截面。我们也可以向下钻取更多级别。
取得「销售总监」为「岳不群」的数据

data = pd.pivot_table(df,index=['销售总监','销售','产品'], values=['数量','价格'],aggfunc=[np.sum,np.mean],fill_value=0)

单一参数	多个参数

xs中的level可以通过get_level_values来获得

例如，我们要查看所有销售总监：

查看所有销售：

试着按「销售总监」进行输出：

写入文件

import numpy as np
import pandas as pd
df = pd.read_csv('F:\\Temp\\datas\\xiaoshou.csv')
data = pd.pivot_table(df,index=['销售总监','销售','产品'], values=['数量','价格'],aggfunc=[np.sum,np.mean],fill_value=0)

writer = pd.ExcelWriter('F:\\Temp\\datas\\output.xlsx')

for name in data.index.get_level_values(0).unique():
    temp_df = data.xs(name, level=0)
    temp_df.to_excel(excel_writer=writer, sheet_name=name)

writer.save()

我们得到了一个由两个sheet页的Excel文件，sheet_name分别是销售总监「完颜洪烈」和「岳不群」。