如何使用Pivot函数重塑电影数据集的DataFrame？

嘿，我来帮你拆解怎么用Pandas的pivot()和pivot_table()来重塑你的电影DataFrame～先理清楚核心逻辑，再结合你的数据集举几个实用例子：

核心概念：pivot() vs pivot_table() #

• pivot()：适合无重复组合的场景——要求你指定的index（行索引）和columns（列分组）的每一对组合，对应唯一的values值，否则会报错。
• pivot_table()：是pivot()的增强版，支持聚合操作，当同一index+columns组合对应多个值时，可以自动计算均值、总和等，不会报错，实际工作中用得更多。

结合你的数据集的实用例子 #

假设你的DataFrame叫movie_df，以下是几种常见的重塑场景：

1. 按导演分组，看不同年份的电影票房 #

如果每个导演每年只拍一部电影（无重复组合），可以直接用pivot()：

# 行：导演名字；列：电影上映年份；单元格：对应电影的票房
director_year_gross = movie_df.pivot(
    index='director_name',
    columns='title_year',
    values='gross'
)

如果有导演同一年拍了多部电影，就换成pivot_table()，用聚合函数处理重复值（比如取平均票房）：

director_year_avg_gross = movie_df.pivot_table(
    index='director_name',
    columns='title_year',
    values='gross',
    aggfunc='mean'  # 也可以用'sum'取总票房，'max'取最高票房
)

2. 按国家分组，看不同分级的平均预算 #

想对比不同国家、不同内容分级电影的预算水平：

country_rating_budget = movie_df.pivot_table(
    index='country',
    columns='content_rating',
    values='budget',
    aggfunc='median',  # 用中位数比均值更抗极端值
    fillna(0)  # 把缺失值填充为0，也可以换成'N/A'
)

3. 按演员分组，看不同类型电影的IMDB评分 #

比如想了解演员Joel David Moore（你的第一条数据里的actor2）参演不同类型电影的评分表现：

# 先筛选出该演员的电影，再做透视
actor_genre_score = movie_df[movie_df['actor_2_name'] == 'Joel David Moore'].pivot_table(
    index='actor_2_name',
    columns='genres',
    values='imdb_score',
    aggfunc='mean'
)

注意事项 #

• 如果你的genres字段是多值（比如Action|Adventure|Fantasy|Sci-Fi），想按单个类型透视的话，需要先拆分这个字段（比如用str.split('|', expand=True)），再做后续操作。
• 透视后的结果可以用reset_index()把行索引变回普通列，方便后续分析。

内容的提问来源于stack exchange，提问作者Patrick