Python中pivot_table做数据透视表的核心是理清“行、列、值、聚合方式”四个要素：index指定分组维度，columns指定横向展开字段，values指定统计数值列，aggfunc指定聚合函数，支持多维索引、多值列、自定义聚合及缺失值处理。
Python中用pivot_table做数据透视表，核心是理清“行、列、值、聚合方式”四个要素——不是堆函数，而是按业务逻辑组织数据。
明确你要透视的三个关键维度
数据透视本质是三维切片：把原始表格按某几列“分组”（index），再按另一列“展开”（columns），对目标数值列（values）做统计（aggfunc）。比如销售数据中：
-
index：想看谁的汇总？如
'region'或['region', 'salesperson'] -
columns：想横向对比什么？如
'product'（不同产品变成列） -
values：要统计的数字字段，如
'revenue'或'quantity'
基础写法与常见参数组合
最简调用：df.pivot_table(values='revenue', index='region', columns='product', aggfunc='sum')。实际常用组合：
- 多个值列：
values=['revenue', 'quantity']→ 输出MultiIndex列 - 多层行索引：
index=['region', 'year']→ 行按区域+年份嵌套分组 - 自定义聚合：
aggfunc={'revenue': 'mean', 'quantity': 'sum'}→ 不同列用不同算法 - 处理缺失：
fill_value=0把空单元格填0，避免NaN干扰展示
绕不开的坑：NaN和重复键怎么处理
pivot_table默认会自动聚合重复组合（比如同一region+product有多条记录），但若原始数据有缺失或异常，容易出错：
立即学习“Python免费学习笔记（深入）”；
- 如果
index和columns组合存在完全重复且values非数值，会报错；先用df.drop_duplicates(subset=['region','product'])或明确aggfunc解决 - 某列全为空？检查
values字段是否真为数值型：df['revenue'] = pd.to_numeric(df['revenue'], errors='coerce') - 结果里大量NaN？确认
columns取值是否太分散（如用用户ID作列），应改用更聚合的字段（如用户等级、月份）
进阶技巧：加总计、排序、导出Excel
透视表不是终点，常需进一步加工：
- 加行/列总计：
margins=True，并用margins_name='Total'命名总计行 - 列按销售额降序排列：
result = result[sorted(result.columns, key=lambda x: result[x].sum(), reverse=True)] - 导出带格式Excel：
result.to_excel('report.xlsx', merge_cells=False)（配合openpyxl可加粗标题、调整列宽）
不复杂但容易忽略：pivot_table返回的是DataFrame，支持所有pandas操作——筛选、新增计算列、条件高亮，别只把它当静态报表用。
