在Jupyter Notebook中设置Pivot Table实现多维度索引及门店销量求和

嘿，我来帮你解决这个pandas透视表的问题！先理清楚你的需求：要按STYLE（款号）、COLOR（颜色）、SIZE（尺码）三个维度，汇总每个门店的订单总数量，同时还要把原来的门店列（比如Store16、Store20这类）变成索引的一部分，而不是放在透视表的列上。

先明确数据结构前提 #

我假设你的原始数据df是这样的宽格式：每行对应一组STYLE-COLOR-SIZE，列是各个门店的订单数量，比如：

如果你的数据是这种结构，那咱们分两步走就能实现需求：

方法1：用melt转长格式 + pivot_table构建多层索引 #

第一步：把宽表转成窄表 #

原来的门店是列名，咱们得把它们转成数据里的一个字段，这样才能把它加入索引：

# 将STYLE/COLOR/SIZE保留为标识字段，把所有门店列转成"门店"字段，对应数量转成"订单数量"
melted_df = df.melt(
    id_vars=['STYLE', 'COLOR', 'SIZE'],
    var_name='门店',
    value_name='订单数量'
)

转完之后，数据就变成了每行对应STYLE-COLOR-SIZE-门店的组合，看起来像这样：

第二步：构建带多层索引的透视表 #

现在就可以把STYLE、COLOR、SIZE、门店都设为索引，汇总订单数量：

result = pd.pivot_table(
    melted_df,
    index=['STYLE', 'COLOR', 'SIZE', '门店'],  # 把门店加入索引，成为索引的一部分
    values='订单数量',
    aggfunc='sum'  # 按维度求和
)

方法2：用groupby更简洁实现 #

如果不需要透视表的额外功能（比如处理缺失值、多聚合函数），直接用groupby会更简单：

# 先转长表，再按四个维度分组求和
# 如果要保留多层索引，就去掉最后的reset_index()
result = df.melt(
    id_vars=['STYLE', 'COLOR', 'SIZE'],
    var_name='门店',
    value_name='订单数量'
).groupby(['STYLE', 'COLOR', 'SIZE', '门店'])['订单数量'].sum().reset_index()

为什么你的初始代码没达到效果？ #

你原来写的df1 = pd.pivot_table(df, values=['Store16','...')是把门店列作为values，这样透视表会把门店放在列的位置，而不是索引里。咱们先转成窄表，就是为了把门店从“列名”变成“数据字段”，这样才能把它纳入索引体系，满足你“原列字段成为索引一部分”的需求。

最终示例结果 #

运行完上面的代码，你会得到这样的结果（多层索引版）：

订单数量
STYLE COLOR SIZE 门店       
S001  Red   M    Store16  10
                 Store20   5
                 Store25   3
            L    Store16   8
                 Store20   4
                 Store25   2
S002  Blue  S    Store16  15
                 Store20   7
                 Store25   6

内容的提问来源于stack exchange，提问作者WJ Zhao