最小示例#

1
table = pd.pivot_table(
2
    df,
3
    index="month",
4
    columns="category",
5
    values="amount",
6
    aggfunc="sum",
7
    fill_value=0,
8
    margins=True,
9
)
10
print(table)

index 是行维度，columns 是列维度，values 是被统计的数值字段，aggfunc 决定怎么算。

什么时候比 groupby 更方便#

如果结果需要给人阅读，透视表更直观；如果后续还要继续链式处理，groupby 可能更灵活。两者不是替代关系，而是输出形态不同。

多指标统计#

1
table = pd.pivot_table(
2
    df,
3
    index="category",
4
    values=["amount", "quantity"],
5
    aggfunc={"amount": "sum", "quantity": "mean"},
6
)
7
print(table)

检查结果#

• 汇总总额是否和原表一致。

• 空值是否应该填 0，还是保留缺失。

• 分类数量是否异常变多，可能存在空格或大小写问题。

• margins=True 的合计是否符合业务口径。

实战复盘#

复用《pandas 透视表基础》时，不要只复制代码块。先把自己的字段名、数据口径和异常规则写出来，再替换示例里的列名。pandas 的函数很通用，但业务字段的含义不能自动迁移。

每次处理完成后，我会抽样看几条原始记录和处理后记录。尤其是日期、金额、分类字段，机器统计和肉眼抽查要一起做，才能发现格式看似正常但含义错位的问题。

这类文章后续可以继续补充真实小表格作为输入示例。输入、处理、输出三者都出现，教程才不会变成只解释 API。

最小验收样例#

验收《pandas 透视表基础》时，我会手写一个三到五行的小 DataFrame：一行正常数据，一行缺失或异常数据，一行边界数据。先让示例在小表上跑通，再换成完整数据集。

小表的好处是结果可以人工计算。只要人工结果和 pandas 输出对不上，就说明代码逻辑或字段口径还没想清楚。这个过程比直接在大表上调试更可靠。

小结#

透视表适合把明细表变成可读报表。写之前先想清楚行维度、列维度、指标和聚合方式，结果会稳定很多。