#透视表 pivot table

 #pd.pivot_table(data,values=None,index=None,columns=None,

 import numpy as np

 import pandas as pd              aggfunc='mean',fill_value=None,margins=False,dropna=True,margins_name='ALL')

 date = ['2017-5-1','2017-5-2','2017-5-3']*3

 rng = pd.to_datetime(date)

 df = pd.DataFrame({'date':rng,

                    'key':list('abcdabcda'),

                    'values':np.random.rand(9)*10})

 print(df)

 print('-----')

 print(pd.pivot_table(df,values = 'values',index = ['date'],columns='key',aggfunc=np.sum))#也可以aggfunc='sum'

 print('-----')

 #data:DataFrame对象

 #values：要聚合的列或列的列表

 #index：数据透视的index，从原始数据的列中筛选

 #columns：数据透视表的columns，从原始数据的列中筛选

 #aggfunc：用于聚合的函数，默认为numpy，mean，支持numpy计算方法

 print(pd.pivot_table(df,values = 'values',index = ['date','key'],aggfunc=len))

 print('------')

 #这里就分别以date，key共同做数据透视，值为values：统计不同（date，key）情况下values的计数

 #aggfunc=len（或者count）：计数

 #交叉表：crosstab

 #默认情况下，crosstab计算因子的频率，比如用于str的数据透视分析

 #pd.crosstab(index,columns,values=None,rownames=None

 #            ,colnames=None,aggfunc=None,margins=False,dropna=True,normalize=False)

 df = pd.DataFrame({'A':[1,2,2,2,2],

                    'B':[3,3,4,4,4],

                    'C':[1,1,np.nan,1,1]})

 print(df)

 print('------')

 print(pd.crosstab(df['A'],df['B']))

 print('------')

 #如果crosstab只接收两个series，他将提供一个频率表

 #用A的唯一值，统计B唯一值的出现次数  （A,B）= （1，3）C出现了1次   （A,B）= （2，4）出现了3次

 print(pd.crosstab(df['A'],df['B'],normalize=True))#以频率的方式显示

 print('--------')

 print(pd.crosstab(df['A'],df['B'],values=df['C'],aggfunc=np.sum))#values:根据因子聚合的值数组

 #aggfunc：如果未传递values数组，则计算频率表，如果传递数组，则按照指定计算

 #这里相当于以A和B界定分组，计算出每组中第三个系列C的值

 print('--------')

 print(pd.crosstab(df['A'],df['B'],values=df['C'],aggfunc=np.sum,margins=True))

 print('--------')

 #margins:布尔值，默认值False，添加行/列边距（小计）