[Python] Pandas - Pivot table

In [1]:

import os
import numpy as np
import pandas as pd

In [2]:

os.getcwd() #현재 디렉토리 확인

Out[2]:

'/Users/limjongjun/Desktop/JayJay/Growth/Python/Class101_Pandas'

In [3]:

df1 = pd.read_csv('01_Contract_Data.csv') 
df1.head()

Out[3]:

	Index	Member_ID	Sales_Type	Contract_Type	Channel	Datetime	Term	Payment_Type	Product_Type	Amount_Month	Customer_Type	Age	Address1	Address2	State	Overdue_count	Overdue_Type	Gender	Credit_Rank	Bank
0	1	66758234	렌탈	일반계약	영업방판	2019-05-06	60	CMS	DES-1	96900	개인	42.0	경기도	경기도	계약확정	0	없음	여자	9.0	새마을금고
1	2	66755948	렌탈	교체계약	영업방판	2020-02-20	60	카드이체	DES-1	102900	개인	39.0	경기도	경기도	계약확정	0	없음	남자	2.0	현대카드
2	3	66756657	렌탈	일반계약	홈쇼핑/방송	2019-02-28	60	CMS	DES-1	96900	개인	48.0	경기도	경기도	계약확정	0	없음	여자	8.0	우리은행
3	4	66423450	멤버십	멤버십3유형	재계약	2019-05-13	12	CMS	DES-1	66900	개인	39.0	경기도	경기도	계약확정	0	없음	남자	5.0	농협회원조합
4	5	66423204	멤버십	멤버십3유형	재계약	2019-05-10	12	CMS	DES-1	66900	개인	60.0	경기도	경기도	기간만료	12	있음	남자	8.0	농협회원조합
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
51296	51298	66579515	렌탈	프로모션계약	대형마트A	2019-03-01	60	CMS	DES-3A	96900	개인	47.0	경기도	경기도	계약확정	0	없음	남자	NaN	기업은행
51297	51299	66799558	렌탈	일반계약	대형마트A	2019-04-01	60	CMS	DES-1	96900	개인	42.0	경기도	경기도	계약확정	0	없음	여자	8.0	새마을금고
51298	51300	66799197	렌탈	프로모션계약	영업방판	2019-04-01	39	카드이체	ERA	120900	개인	65.0	서울특별시	서울특별시	계약확정	0	없음	여자	1.0	롯데카드
51299	51301	66792778	렌탈	일반계약	홈쇼핑/방송	2020-02-06	60	카드이체	DES-1	96900	개인	54.0	서울특별시	서울특별시	계약확정	0	없음	여자	2.0	롯데카드
51300	51302	66799607	렌탈	일반계약	홈쇼핑/방송	2019-04-24	60	CMS	DES-1	96900	개인	53.0	서울특별시	서울특별시	계약확정	0	없음	여자	8.0	신한은행

51301 rows × 20 columns

In [79]:

#고객들의 유입 채녈별 월 랜탈 비용
df1.pivot_table(index = 'Channel', values = 'Amount_Month') #default = 평균

Out[79]:

	Amount_Month
Channel
대형마트A	97016.330159
대형마트C	95276.974790
대형마트E	100423.647295
대형마트H	100025.333333
대형마트N	76514.457831
영업방판	100322.794631
자체홈페이지	98402.500000
재계약	67176.744186
전단홍보	104048.571429
전문매장H	72514.008677
전문매장Z	98127.363184
직영계열사A	104970.000000
직영계열사B	111300.000000
직영유통사	119011.117021
홈쇼핑/방송	89092.232411
홈쇼핑/인터넷	96685.600000

In [80]:

df1.pivot_table(index = 'Channel', values = 'Amount_Month', aggfunc = 'sum')

Out[80]:

	Amount_Month
Channel
대형마트A	458402160
대형마트C	11337960
대형마트E	150334200
대형마트H	22505700
대형마트N	6350700
영업방판	2384371860
자체홈페이지	11808300
재계약	147318600
전단홍보	58267200
전문매장H	234002706
전문매장Z	118341600
직영계열사A	2099400
직영계열사B	2114700
직영유통사	22374090
홈쇼핑/방송	1156149900
홈쇼핑/인터넷	36257100

In [82]:

#차원 복수개일 때
df1.pivot_table(index = ['Gender','Channel'], values = 'Amount_Month', aggfunc = 'sum')

Out[82]:

		Amount_Month
Gender	Channel
남자	대형마트A	135033600
	대형마트E	51570900
	대형마트H	8149500
	대형마트N	3120900
	영업방판	761853300
	자체홈페이지	4813500
	재계약	51653700
	전단홍보	17594700
	전문매장H	49461600
	전문매장Z	47891700
	홈쇼핑/방송	352808400
	홈쇼핑/인터넷	9774900
여자	대형마트A	323368560
	대형마트C	11337960
	대형마트E	98763300
	대형마트H	14356200
	대형마트N	3229800
	영업방판	1622518560
	자체홈페이지	6994800
	재계약	95664900
	전단홍보	40672500
	전문매장H	184541106
	전문매장Z	70449900
	직영계열사A	2099400
	직영계열사B	2114700
	직영유통사	22374090
	홈쇼핑/방송	803341500
	홈쇼핑/인터넷	26482200

In [84]:

#차원 & 측정값 복수개일 때
df1.pivot_table(index = ['Gender','Channel'], values = ['Amount_Month','Overdue_count'], aggfunc = ['sum','min','max'])

Out[84]:

		sum		min		max
		Amount_Month	Overdue_count	Amount_Month	Overdue_count	Amount_Month	Overdue_count
Gender	Channel
남자	대형마트A	135033600	351	55200	0	185700	12
	대형마트E	51570900	89	81900	0	185700	13
	대형마트H	8149500	21	87900	0	142200	12
	대형마트N	3120900	0	75900	0	78900	0
	영업방판	761853300	2083	78900	0	215700	15
	자체홈페이지	4813500	1	84900	0	126900	1
	재계약	51653700	167	55200	0	105900	12
	전단홍보	17594700	21	87900	0	185700	7
	전문매장H	49461600	128	81900	0	145200	13
	전문매장Z	47891700	43	81900	0	145200	10
	홈쇼핑/방송	352808400	476	80400	0	145200	15
	홈쇼핑/인터넷	9774900	20	80400	0	138900	13
여자	대형마트A	323368560	553	55200	0	185700	12
	대형마트C	11337960	0	87930	0	126900	0
	대형마트E	98763300	103	81900	0	185700	14
	대형마트H	14356200	22	81900	0	144900	12
	대형마트N	3229800	0	75900	0	102900	0
	영업방판	1622518560	2804	78900	0	215700	15
	자체홈페이지	6994800	3	78900	0	105900	2
	재계약	95664900	148	55200	0	96600	12
	전단홍보	40672500	80	66900	0	215700	13
	전문매장H	184541106	64	54603	0	145200	14
	전문매장Z	70449900	88	81900	0	145200	13
	직영계열사A	2099400	0	82200	0	112200	0
	직영계열사B	2114700	0	93900	0	126900	0
	직영유통사	22374090	172	96900	0	180750	1
	홈쇼핑/방송	803341500	795	72900	0	144900	14
	홈쇼핑/인터넷	26482200	47	80400	0	124200	8

In [86]:

df1.pivot_table(index = 'Sales_Type', values = 'Amount_Month', columns = 'Datetime', aggfunc = 'sum')

Out[86]:

Datetime	2019-01-01	2019-01-02	2019-01-03	2019-01-04	2019-01-05	2019-01-06	2019-01-07	2019-01-08	2019-01-09	2019-01-10	...	2020-07-29	2020-07-30	2020-07-31	2020-08-01	2020-08-02	2020-08-03	2020-08-04	2020-08-05	2020-08-06	2020-08-07
Sales_Type
렌탈	4346700.0	4957800.0	7011300.0	5276700.0	5170950.0	4445700.0	8282400.0	5970150.0	5577600.0	6996900.0	...	5478600.0	7551300.0	10361100.0	6187500.0	2779200.0	2953500.0	2732700.0	3034260.0	2523000.0	2111100.0
멤버십	209700.0	66900.0	255900.0	133800.0	334500.0	142800.0	255900.0	NaN	133800.0	133800.0	...	302361.0	383322.0	730365.0	671079.0	188403.0	192039.0	125643.0	245382.0	247758.0	58743.0

2 rows × 577 columns

In [87]:

df1['Datetime(dt)'] = pd.to_datetime(df1['Datetime'])

In [92]:

df1['Year'] = df1['Datetime(dt)'].dt.year
df1['Month'] = df1['Datetime(dt)'].dt.month

In [94]:

df1.pivot_table(index='Sales_Type', columns = ['Year','Month'], values = 'Amount_Month')

Out[94]:

Year	2019												2020
Month	1	2	3	4	5	6	7	8	9	10	11	12	1	2	3	4	5	6	7	8
Sales_Type
렌탈	96172.046784	97606.305005	97285.737931	97112.037150	97051.854305	97039.029484	97091.540608	97473.732591	97348.261894	96986.906574	97392.284672	97608.871939	97245.266171	97389.391892	96849.702970	97615.522023	97588.512111	97147.594937	97624.743276	97472.751092
멤버십	67474.117647	62307.452113	63324.780822	62145.128834	63300.847176	63442.086957	63271.810881	63127.223176	62816.128631	62210.300353	62704.071429	62721.843416	62037.849711	63822.093750	62531.109091	63413.446154	62665.296296	62259.808989	63186.853659	64038.777778

In [97]:

df1.pivot_table(index = 'Product_Type', values = 'Amount_Month', aggfunc = 'sum', columns= 'Year', margins = True) #margin : 전체합 옵션

Out[97]:

Year	2019	2020	All
Product_Type
DES-1	2946278610	748837116	3695115726
DES-2	631877970	155779320	787657290
DES-3A	157162560	39922500	197085060
DES-R4	33891300	8437200	42328500
ERA	62944500	14171100	77115600
MMC	17540100	5193900	22734000
All	3849695040	972341136	4822036176

In [99]:

df11 = df1.pivot_table(index = 'Product_Type', values = 'Amount_Month', aggfunc = 'sum', columns= 'Year')

In [103]:

#YoY 계산
df11['증감액'] = df11[2020] - df11[2019]
df11['증감비율'] = (((df11[2020] - df11[2019]) / df11[2019])*100).round(1).astype(str) + '%'
df11

Out[103]:

Year	2019	2020	증감액	증감비율
Product_Type
DES-1	2946278610	748837116	-2197441494	-74.6%
DES-2	631877970	155779320	-476098650	-75.3%
DES-3A	157162560	39922500	-117240060	-74.6%
DES-R4	33891300	8437200	-25454100	-75.1%
ERA	62944500	14171100	-48773400	-77.5%
MMC	17540100	5193900	-12346200	-70.4%

In [118]:

df12 = df1.loc[((df1['Year'] == 2019) & (df1['Month'] <= 8 )) | (df1['Year'] == 2020)]

In [119]:

df13 = df12.pivot_table(index = 'Product_Type', values = 'Amount_Month', aggfunc = 'sum', columns= 'Year', margins = True) #margin : 전체합 옵션

In [120]:

#YoY 계산
df13['증감액'] = df13[2020] - df13[2019]
df13['증감비율'] = (((df13[2020] - df13[2019]) / df13[2019])*100).round(1).astype(str) + '%'
df13

Out[120]:

Year	2019	2020	All	증감액	증감비율
Product_Type
DES-1	2236446810	748837116	2985283926	-1487609694	-66.5%
DES-2	486777810	155779320	642557130	-330998490	-68.0%
DES-3A	117017160	39922500	156939660	-77094660	-65.9%
DES-R4	25721700	8437200	34158900	-17284500	-67.2%
ERA	46972800	14171100	61143900	-32801700	-69.8%
MMC	14077500	5193900	19271400	-8883600	-63.1%
All	2927013780	972341136	3899354916	-1954672644	-66.8%