基于含Yes/No列的房价数据集构建Pandas透视表及分析咨询

一、修正透视表代码，实现批量groupby求均值 #

你原来的代码参数逻辑错误，index=['yes','no']不是合法设置——这是列的取值，而非数据中的列名。要实现批量对每个二元列求yes/no对应的平均房价，有两种简洁可行的方法：

方法1：循环合并每个groupby结果 #

import pandas as pd

# 定义需要分析的二元列列表
target_cols = ['mainroad', 'guestroom', 'basement', 'hotwaterheating', 'airconditioning', 'prefarea']
result_list = []

for col in target_cols:
    # 对单个列分组求平均房价，重置索引并重命名列
    group_result = df.groupby(col)['price'].mean().reset_index()
    group_result.rename(columns={col: 'status', 'price': f'avg_price_{col}'}, inplace=True)
    result_list.append(group_result)

# 以status（yes/no）为键合并所有结果
pivot_table = pd.merge(result_list[0], result_list[1:], on='status', how='outer')

方法2：转成长格式后做透视表（更简洁） #

# 将目标列与price字段转成长格式
melted_df = df.melt(id_vars=['price'], value_vars=target_cols, var_name='feature', value_name='status')
# 生成透视表：行是yes/no状态，列是特征名称，单元格是对应平均房价
pivot_table = melted_df.pivot_table(index='status', columns='feature', values='price', aggfunc='mean')

第二种方法得到的结果完全符合需求：行取值为yes/no，列是各个二元特征，单元格为对应场景下的平均房价，等价于多次手动执行df.groupby(列名)['price'].mean()。

二、透视表+热图的有效性与实现 #

这种方法非常有效：二元特征的yes/no房价差异通过热图展示，能直观对比不同特征对房价的影响程度——颜色越深代表平均房价越高，可快速识别出对房价提升更显著的特征（比如空调、优选地段这类）。

实现步骤（基于seaborn库）：

import seaborn as sns
import matplotlib.pyplot as plt

# 使用上面生成的pivot_table数据
plt.figure(figsize=(10, 4))
# 绘制热图，添加数值标注，调整颜色映射
sns.heatmap(pivot_table, annot=True, fmt='.2f', cmap='YlGnBu', cbar=True)
plt.title('Average Housing Price by Binary Features')
plt.xlabel('Features')
plt.ylabel('Status (Yes/No)')
plt.show()

运行后会生成一张清晰的热图，每个单元格标注具体平均房价，颜色深浅对应价格高低，特征对房价的影响差异一目了然。

内容的提问来源于stack exchange，提问作者jxqbbb