数据分析中，经常需要对数据进行转换和统计，以便更好地理解和可视化数据。本文将演示如何使用Pandas将包含日期和类型的DataFrame转换为每日类型数量统计表。
假设我们有一个DataFrame，包含'date'（日期）和'type'（类型）两列。目标是将其转换为一个新的DataFrame，其中每行代表一天，每列代表一种类型，单元格值表示该类型在该日期的数量。
以下代码实现了这一转换：
import pandas as pd
# 示例数据
data = {
'date': ['2024-01-01', '2024-01-01', '2024-01-01', '2024-01-02', '2024-01-02', '2024-01-02', '2024-01-02', '2024-01-02', '2024-01-03', '2024-01-03', '2024-01-03', '2024-01-03'],
'type': [1, 2, 1, 3, 2, 3, 1, 1, 1, 4, 2, 5]
}
df = pd.DataFrame(data)
# 使用pd.get_dummies()进行one-hot编码
df_encoded = pd.get_dummies(df, columns=['type'])
# 按日期分组并求和
df_pivot = df_encoded.groupby('date').sum()
# 显示结果
print(df_encoded)
print("-" * 60)
print(df_pivot)
代码首先使用pd.get_dummies()函数将'type'列转换为虚拟变量（one-hot encoding）。 然后，使用groupby()函数按'date'分组，并使用sum()函数对每个日期的虚拟变量进行求和，从而得到每种类型在每一天的数量。 最终结果是一个以日期为索引，类型为列的DataFrame。 aggregate('sum')也可以替代sum()函数实现相同的功能。 这个方法有效地将长格式数据转换为宽格式数据，方便后续分析和可视化。
