SQL、Pandas和Spark：如何實(shí)現(xiàn)數(shù)據(jù)透視表？
導(dǎo)讀
數(shù)據(jù)透視表是一個(gè)很重要的數(shù)據(jù)統(tǒng)計(jì)操作，最有代表性的當(dāng)屬在Excel中實(shí)現(xiàn)（甚至說提及Excel，個(gè)人認(rèn)為其最有用的當(dāng)屬三類：好用的數(shù)學(xué)函數(shù)、便捷的圖表制作以及強(qiáng)大的數(shù)據(jù)透視表功能）。所以，今天本文就圍繞數(shù)據(jù)透視表，介紹一下其在SQL、Pandas和Spark中的基本操作與使用，這也是沿承這一系列的文章之一。
在上述簡介中，有兩個(gè)關(guān)鍵詞值得注意：排列和匯總，其中匯總意味著要產(chǎn)生聚合統(tǒng)計(jì)，即groupby操作；排列則實(shí)際上隱含著使匯總后的結(jié)果有序。當(dāng)然，如果說只實(shí)現(xiàn)這兩個(gè)需求還不能完全表達(dá)出數(shù)據(jù)透視表與常規(guī)的groupby有何區(qū)別，所以不妨首先看個(gè)例子：
通過上表，明顯可以看出女性中約有2/3的人得以生還，而男性中則僅有不到20%的人得以生還。當(dāng)然，這是數(shù)據(jù)透視表的最基本操作，大家應(yīng)該也都熟悉，本文不做過多展開。
值得補(bǔ)充的是：實(shí)際上為了完成不同性別下的生還人數(shù)，我們完全可以使用groupby(sex, survived)這兩個(gè)字段+count實(shí)現(xiàn)這一需求，而數(shù)據(jù)透視表則僅僅是在此基礎(chǔ)上進(jìn)一步完成行轉(zhuǎn)列的pivot操作而已。理解了數(shù)據(jù)透視表的這一核心功能，對(duì)于我們下面介紹數(shù)據(jù)透視表在三大工具中的適用將非常有幫助！
可以明顯注意到該函數(shù)的4個(gè)主要參數(shù)：
values：對(duì)哪一列進(jìn)行匯總統(tǒng)計(jì)，在此需求中即為name字段；
index：匯總后以哪一列作為行，在此需求中即為sex字段；
columns：匯總后以哪一列作為列，在此需求中即為survived；
aggfunc：執(zhí)行什么聚合函數(shù)，在此需求中即為count，該參數(shù)的默認(rèn)參數(shù)為mean，但只適用于數(shù)值字段。
而后，分別傳入相應(yīng)參數(shù)，得到數(shù)據(jù)透視表結(jié)果如下：
上述需求很簡單，需要注意以下兩點(diǎn)：
pandas中的pivot_table還支持其他多個(gè)參數(shù)，包括對(duì)空值的操作方式等；
上述數(shù)據(jù)透視表的結(jié)果中，無論是行中的兩個(gè)key（"F"和"M"）還是列中的兩個(gè)key（0和1），都是按照字典序排序的結(jié)果，這也呼應(yīng)了Excel中關(guān)于數(shù)據(jù)透視表的介紹。
Spark作為分布式的數(shù)據(jù)分析工具，其中spark.sql組件在功能上與Pandas極為相近，在某種程度上個(gè)人一直將其視為Pandas在大數(shù)據(jù)中的實(shí)現(xiàn)。在Spark中實(shí)現(xiàn)數(shù)據(jù)透視表的操作也相對(duì)容易，只是不如pandas中的自定義參數(shù)來得強(qiáng)大。
首先仍然給出在Spark中的構(gòu)造數(shù)據(jù)：
當(dāng)然，注意到這里仍然是保持了數(shù)據(jù)透視表結(jié)果中行key和列key的有序。
這一系列的文章中，一般都是將SQL排在首位進(jìn)行介紹，但本文在介紹數(shù)據(jù)透視表時(shí)有意將其在SQL中的操作放在最后，這是因?yàn)樵赟QL中實(shí)現(xiàn)數(shù)據(jù)透視表是相對(duì)最為復(fù)雜的。實(shí)際上，SQL中原生并不支持?jǐn)?shù)據(jù)透視表功能，只能通過衍生操作來曲線達(dá)成需求。
上述在分析數(shù)據(jù)透視表中，將其定性為groupby操作+行轉(zhuǎn)列的pivot操作，那么在SQL中實(shí)現(xiàn)數(shù)據(jù)透視表就將需要groupby和行轉(zhuǎn)列兩項(xiàng)操作，所幸的是二者均可獨(dú)立實(shí)現(xiàn)，簡單組合即可。
上述SQL語句中，僅對(duì)sex字段進(jìn)行g(shù)roupby操作，而后在執(zhí)行count(name)聚合統(tǒng)計(jì)時(shí)，由直接count聚合調(diào)整為兩個(gè)count條件聚合，即：
如果survived字段=0，則對(duì)name計(jì)數(shù)，否則不計(jì)數(shù)（此處設(shè)置為null，因?yàn)閏ount計(jì)數(shù)時(shí)會(huì)忽略null值），得到的結(jié)果記為survived=0的個(gè)數(shù)；
如果survived字段=1，則對(duì)name計(jì)數(shù)，否則不計(jì)數(shù)，此時(shí)得到的結(jié)果記為survived=1的個(gè)數(shù)。
當(dāng)然，二者的結(jié)果是一樣的。
以上就是數(shù)據(jù)透視表在SQL、Pandas和Spark中的基本操作，應(yīng)該講都還是比較方便的，僅僅是在SQL中需要稍加使用個(gè)小技巧。希望能對(duì)大家有所幫助，如果覺得有用不妨點(diǎn)個(gè)在看！
相關(guān)閱讀：