如何修改Pandas透视表分箱范围为从0开始的累计区间？

方案一：基于现有透视表计算累计值（高效） #

这种方法直接利用你已生成的透视表，通过**累计求和（cumsum）**得到各时间点的累计订单量，无需修改原始数据处理流程，适合大数据量场景。

步骤说明： #

1. 你的现有透视表已按时间区间从早到晚排序，每个区间的订单量为独立统计值；
2. 对每个订单类型（today_qty/yesterday_qty），按时间顺序做累计求和，得到从0点到对应时间点的总订单量；
3. 将列标签替换为目标的累计区间格式。

完整代码： #

import pandas as pd

# 你的原始代码（生成初始透视表）
df['Hour_Num'] = pd.cut(df.order_hour,[0,12,15,20,24])
pivot_df = df.pivot_table(index='channel_name', values=(['yesterday_qty','today_qty']), columns=['Hour_Num'], aggfunc=('sum')).fillna(0)
pivot_df = pivot_df.swaplevel(0,1, axis=1).sort_index(axis=1)

# 1. 按订单类型分组，执行累计求和
cumulative_pivot = pivot_df.groupby(level=1, axis=1).cumsum(axis=1)

# 2. 替换列标签为累计区间格式
def get_interval_upper(interval):
    return interval.right  # 提取区间的上限值

new_columns = pd.MultiIndex.from_tuples(
    [(f'(0, {get_interval_upper(interval)}]', qty) for interval, qty in cumulative_pivot.columns],
    names=['Hour_Num', 'qty']
)
cumulative_pivot.columns = new_columns

# 输出结果
print(cumulative_pivot)

结果说明： #

以Ajio为例，(0,15]的yesterday_qty会变为68+55=123，(0,20]变为123+53=176，(0,24]变为176+32=208，完全匹配累计统计需求。

方案二：从原始数据生成累计分组（直观） #

这种方法通过扩展原始数据行，将每个订单分配到所有包含它的累计区间中，再重新生成透视表，逻辑更直观，适合数据量较小的场景。

步骤说明： #

1. 定义需要统计的累计时间点（12、15、20、24）；
2. 遍历每个订单，将其复制到所有满足order_hour <= 时间点的区间行中；
3. 基于扩展后的数据集生成透视表，直接得到累计订单量。

完整代码： #

import pandas as pd

# 定义累计时间点的上限
thresholds = [12, 15, 20, 24]

# 扩展原始数据：每个订单对应所有符合条件的累计区间
expanded_rows = []
for _, row in df.iterrows():
    hour = row['order_hour']
    for t in thresholds:
        if hour <= t:
            new_row = row.copy()
            new_row['Hour_Num'] = f'(0, {t}]'
            expanded_rows.append(new_row)

expanded_df = pd.DataFrame(expanded_rows)

# 生成累计透视表
cumulative_pivot = expanded_df.pivot_table(
    index='channel_name',
    values=['yesterday_qty', 'today_qty'],
    columns=['Hour_Num'],
    aggfunc='sum'
).fillna(0)

# 调整列层级顺序（与原始代码一致）
cumulative_pivot = cumulative_pivot.swaplevel(0, 1, axis=1).sort_index(axis=1)

# 输出结果
print(cumulative_pivot)

内容的提问来源于stack exchange，提问作者Manas Ranjan