[30일차]DataFrame재구성 - 피봇과 피봇테이블(pivot, pivot_table)

이전 글에서 설명했던 melt()와는 반대되는 피봇에 대해 알아보자

실습 데이터는 아래와 같다.

---

**pivot()**

long형 데이터를 내가 보고싶은 데이터만 가지고 wide하게 만들어

데이터를 보기 더 편하게 만듦

실습

연도를 기준으로 사원들의 연도별매출 피봇

company.pivot(index='연도', columns='사원이름', values='연도별매출')

사람을 기준으로 연도별 매출 피봇

‘이 사람이 갈 수록 일을 어떻게 하는지 알아보자’

company.pivot(index='사원이름', columns='연도', values='연도별매출')

index=, values= 인자

이 두 인자는 선택값이다.

• index=를 안적으면 원본데이터의 index를 가져온다.

  • index=를 안적는 경우는 set_index 처럼 먼저 인덱스를 지정했을 때!

• values=를 안적으면 모든 값을 가져오게 된다.

  • values=를 안적을 때 실습

    ```python
    # values를 생략하면 모든 열이 사용됨
    company.pivot(index='사원이름', columns='연도')
    ```
    
    
    ![](https://velog.velcdn.com/images/akqkzk0022/post/53d99475-a97b-42c7-89b1-f267c545b27b/image.png)
    
    
    멀티 인덱싱이 됨.

    ---

**.pivot() <-> .melt()**

• 피폿 이후 언피봇을 해주는 melt()도 물론 사용 가능하다.
• pivot() -> 피벗, Long 데이터프레임을 Wide으로
• melt() -> 언피벗, Wide 데이터프레임을 Long으로

회사 연도를 기준으로 사원들의 매출을 볼 수 있게 피봇 후 melt() 해보자.

company_pivot = company.pivot(index='연도', columns='사원이름',values='연도별매출')

이를 melt()화 해보자

연도를 기준으로 long형태의 데이터를 만들어보려고 한다.

company_pivot.melt(id_vars='연도',value_name='연도별매출')

오잉!? 에러가 발생했다.

그 이유는 company_pivot 에 로우 인덱스가 되어 있기 때문이다.

reset_index()로 인덱스 제거 후 다시 진행해 보자.

company_pivot.reset_index().melt(id_vars='연도',value_name='연도별매출')

이 처럼 pivot()과 melt()는 반대되는 개념인 것을 알 수 있었다.

---

**pivot_table()**

피봇테이블은 피봇과 마찬가지로 우리가 보고싶은 걸 보는데,

다른점은 집계함수를 쓴다는 것이다.(aggfunc= 인자를 사용 default값은 mean이다.)

parameter

• values: list-like or scalar, optional⭐
  • 집계할 열을 전달
• index: column, Grouper, array, or list of the previous
  • 피벗 테이블의 인덱스로 사용할 키(열)을 전달
• columns: column, Grouper, array, or list of the previous⭐
  • 피벗 테이블에서 그룹화할 키(열)을 전달.
• aggfunc: function, list of functions, dict, default “mean”⭐
  • 집계 함수를 지정. 기본값은 'mean'으로 평균을 계산.
  • 리스트로 여러 개 함수를 전달하며 계층적인 열이 생성.
  • 딕셔너리로는 키는 집계할 열, 값은 함수/함수목록을 전달.
  • margin=False인 경우, aggfunc를 사용하여 부분 집계를 계산.
• fill_value : scalar, default None
  • 결측치의 대체값 지정.
• margins : bool, default False
  • True면 행과 열의 범주에 걸쳐 부분 그룹 집계가 포함된 특수 모든 열과 행이 추가.
• dropna : bool, default True
  • True면 NA 열이 있는 행은 제외된다.
• margins_name : str, default ‘All’
  • margins가 True인 경우에 추가되는 행 또는 열의 이름을 지정합니다.
• observed : bool, default False
  • 그룹화가 범주형인 경우에만 적용
    • True : 범주형 그룹화에 대해 관찰된 값만 표시 -False : 범주형 그룹화에 대한 모든 값을 표시
• sort : bool, default True
  • 결과를 정렬할 지 설정

다양한 예제를 통해 이해해보자

pivot_table 예제

1. 사원별 누적매출 통계내기

# 사원별 누적매출 통계내기
company.pivot_table(values='연도별매출',columns='사원이름',aggfunc='sum')

pivot때와 다르게 pivot_table은 집계한게 나오기 때문에 index를 지정해주지 않는 모습

또한 인덱스 값이 자동으로 ‘연도별매출’로 들어오게 된다.

2.연도별 사원들의 평균매출 통계내기,

company.pivot_table(values='연도별매출',columns='연도',aggfunc='mean')

aggfunc= 인자 default는 mean이기 때문에 생략 가능

3. 소속팀별 연도별매출 평균을 확인하기

# 소속팀별 연도별매출 평균을 확인하기
company.pivot_table(values='연도별매출',columns='소속팀')

4. 소속팀별 연도별매출 평균을 연도별로 확인하기

값은 매출

컬럼은 소속팀

인덱스로 연도가 들어가야 된다. 이때 사용하는 인자가 index= 이다.

company.pivot_table(values='연도별매출',index='연도',columns='소속팀')

pivot_table 인자가 헷갈리면 이렇게!

"A별 BB의 CCC함수값을 DDDD인덱스로 확인하기"

A별 -> columns

BB의 -> values

CCC함수값을 -> aggfunc

DDDD인덱스로 -> index

마무리!

pivot()과 pivot_table()의 차이.

pivot()은 가지고 오고 싶은 데이터를 wide하게 만듦

pivot_table() 가지고 오고 싶은 데이터를 집계 후 wide하게 만듦