SQL、Pandas和Spark：如何实现数据透视表？-技术圈

导读

数据透视表是一个很重要的数据统计操作，最有代表性的当属在Excel中实现（甚至说提及Excel，个人认为其最有用的当属三类：好用的数学函数、便捷的图表制作以及强大的数据透视表功能）。所以，今天本文就围绕数据透视表，介绍一下其在SQL、Pandas和Spark中的基本操作与使用，这也是沿承这一系列的文章之一。

01 数据透视表简介

数据透视表，顾名思义，就是通过对数据执行一定的"透视"，完成对复杂数据的分析统计功能，常常伴随降维的效果。例如在Excel工具栏数据透视表选项卡中通过悬浮鼠标可以看到这样的描述：

在上述简介中，有两个关键词值得注意：排列和汇总，其中汇总意味着要产生聚合统计，即groupby操作；排列则实际上隐含着使汇总后的结果有序。当然，如果说只实现这两个需求还不能完全表达出数据透视表与常规的groupby有何区别，所以不妨首先看个例子：

给定经典的titanic数据集，我们需要统计不同性别下的生还人数，则可以进行如下设置：

而后，即可得到如下结果：

通过上表，明显可以看出女性中约有2/3的人得以生还，而男性中则仅有不到20%的人得以生还。当然，这是数据透视表的最基本操作，大家应该也都熟悉，本文不做过多展开。

值得补充的是：实际上为了完成不同性别下的生还人数，我们完全可以使用groupby(sex, survived)这两个字段+count实现这一需求，而数据透视表则仅仅是在此基础上进一步完成行转列的pivot操作而已。理解了数据透视表的这一核心功能，对于我们下面介绍数据透视表在三大工具中的适用将非常有帮助！

02 Pandas实现数据透视表

在三大工具中，Pandas实现数据透视表可能是最为简单且又最能支持自定义操作的工具。首先，给出一个自定义的dataframe如下，仅构造name，sex，survived三个字段，示例数据如下：

基于上述数据集实现不同性别下的生还人数统计，运用pandas十分容易。这里给出Pandas中数据透视表的API介绍：

可以明显注意到该函数的4个主要参数：

values：对哪一列进行汇总统计，在此需求中即为name字段；
index：汇总后以哪一列作为行，在此需求中即为sex字段；
columns：汇总后以哪一列作为列，在此需求中即为survived；
aggfunc：执行什么聚合函数，在此需求中即为count，该参数的默认参数为mean，但只适用于数值字段。

而后，分别传入相应参数，得到数据透视表结果如下：

上述需求很简单，需要注意以下两点：

pandas中的pivot_table还支持其他多个参数，包括对空值的操作方式等；
上述数据透视表的结果中，无论是行中的两个key（"F"和"M"）还是列中的两个key（0和1），都是按照字典序排序的结果，这也呼应了Excel中关于数据透视表的介绍。

03 Spark实现数据透视表

Spark作为分布式的数据分析工具，其中spark.sql组件在功能上与Pandas极为相近，在某种程度上个人一直将其视为Pandas在大数据中的实现。在Spark中实现数据透视表的操作也相对容易，只是不如pandas中的自定义参数来得强大。

首先仍然给出在Spark中的构造数据：

而后，前面已分析过数据透视表的本质其实就是groupby操作+pivot，所以spark中刚好也就是运用这两个算子协同完成数据透视表的操作，最后再配合agg完成相应的聚合统计。完整的实现数据透视表及其结果如下：

当然，注意到这里仍然是保持了数据透视表结果中行key和列key的有序。

04 SQL中实现数据透视表

这一系列的文章中，一般都是将SQL排在首位进行介绍，但本文在介绍数据透视表时有意将其在SQL中的操作放在最后，这是因为在SQL中实现数据透视表是相对最为复杂的。实际上，SQL中原生并不支持数据透视表功能，只能通过衍生操作来曲线达成需求。

上述在分析数据透视表中，将其定性为groupby操作+行转列的pivot操作，那么在SQL中实现数据透视表就将需要groupby和行转列两项操作，所幸的是二者均可独立实现，简单组合即可。

仍然是在SQL中构造临时数据表，如下：

而后我们采取逐步拆解的方式尝试数据透视表的实现：

1. 利用groupby实现分组聚合统计，这一操作非常简单：

2.对上述结果执行行转列，实现数据透视表。这里，SQL中实现行转列一般要配合case when，简单的也可以直接使用if else实现。由于这里要转的列字段只有0和1两种取值，所以直接使用if函数即可：

上述SQL语句中，仅对sex字段进行groupby操作，而后在执行count(name)聚合统计时，由直接count聚合调整为两个count条件聚合，即：

如果survived字段=0，则对name计数，否则不计数（此处设置为null，因为count计数时会忽略null值），得到的结果记为survived=0的个数；
如果survived字段=1，则对name计数，否则不计数，此时得到的结果记为survived=1的个数。

这样，得到的结果就是最终要实现的数据透视表需求。

值得指出，这里通过if条件函数来对name列是否有实际取值+count计数实现聚合，实际上还可以通过if条件函数衍生1或0+sum求和聚合实现，例如：

当然，二者的结果是一样的。

以上就是数据透视表在SQL、Pandas和Spark中的基本操作，应该讲都还是比较方便的，仅仅是在SQL中需要稍加使用个小技巧。希望能对大家有所帮助，如果觉得有用不妨点个在看！