社区
DataWindow
帖子详情
解决crossTab交叉表Columns的修改问题
warmnest
2003-07-08 05:10:42
怎么修改呢,我想得到每个Columns对象来修改列标头内容,不行呀。。。。
具体情况如下:
我的CrossTab的列设置为人员编码,行设置为日期,
内容值为count(accpetno)是个统计值
因为我的人员姓名编码的表不在这个统计的数据库中,所以,没办法做联表的
问题:
但是我想把人员编码转换成人员的姓名,如何办?
请帮忙。。。先谢谢啦。。。。
在线等待。。。
...全文
189
6
打赏
收藏
解决crossTab交叉表Columns的修改问题
怎么修改呢,我想得到每个Columns对象来修改列标头内容,不行呀。。。。 具体情况如下: 我的CrossTab的列设置为人员编码,行设置为日期, 内容值为count(accpetno)是个统计值 因为我的人员姓名编码的表不在这个统计的数据库中,所以,没办法做联表的 问题: 但是我想把人员编码转换成人员的姓名,如何办? 请帮忙。。。先谢谢啦。。。。 在线等待。。。
复制链接
扫一扫
分享
转发到动态
举报
写回复
配置赞助广告
用AI写文章
6 条
回复
切换为时间正序
请发表友善的回复…
发表回复
打赏红包
klbt
2003-07-09
打赏
举报
回复
想办法,转为同一个库。
prain2003
2003-07-09
打赏
举报
回复
如果从另外一个库中取,最好再前台做一个迁移程序,把人员信息迁到本地库
如果两个数据库在一个服务器上,是可以做视图的。如果不在一个服务器上,是不可以作视图的。所以最好还是用迁移的方法。
prain2003
2003-07-09
打赏
举报
回复
设人员名称表 t_name(id_ry,name_ry)
统计表 t_tj(id_ry,date_tj,number)
select a.id_ry
b.name_ry
a.date_tj
sum(a.number)
from t_name b,t_tj a
group by a.id_ry,b.name_ry,a.date_tj
crosstable中
a.id_ry(隐藏)
b.name_ry
a.date_ti sum(a.number)
你试试看吧
warmnest
2003-07-08
打赏
举报
回复
有人能解决这个问题吗?
warmnest
2003-07-08
打赏
举报
回复
我是用创建另一个sqlcatemp
从另一个数据库中取得的。。
好象跨数据库能做视图吗?
runsoft
2003-07-08
打赏
举报
回复
你是如何得到这些人员名字信息的呀。做视图然后再写吧。
4.5 创建透视
表
与
交叉
表
数据透视
表
(Pivot Table)是数据分析中一种常用的工具之一,根据一个或多个键值对数据进行聚合,根据行或列的分组键将数据划分到各个区域。在pandas中,除了可以使用groupby对数据分组聚合实现透视功能外,还提供了更为简单的方法。这里以菜单订单数据为例制作透视
表
与
交叉
表
,分析不同菜品的销量和金额之间的关系。(1)使用pivot_table函数制作菜品日销量透视
表
。(2)使用
crosstab
函数制作菜品销量
交叉
表
。
pandas聚合函数、透视
表
、
交叉
表
、
表
格合并常见操作
聚合函数 numpy、pandas使用的统计方式 在数组中经常使用的聚合方式 data[['counts', 'ches_name']].agg([np.mean, np.std]) agg({'xx':np.mean, 'xx2':[np.sum, np.std]}) 在pandas或者numpy中没有现成的函数可以使用,可以使用transform自定义函数 如: 将指定列的全部数据 * 2 方式一 data['counts'].transform(lambda x: x*2) 方式二:按照函数
多维聚合中的数据变形术:从立方体建模到语义变形
多维聚合是现代数据分析的核心能力,其本质是在时间、地域、品类等多维坐标系中对数据进行切片、旋转、上卷等空间化操作。它超越传统GROUP BY的扁平分组逻辑,强调坐标系完整性、语义一致性与计算路径优化。关键技术包括
交叉
表
(
crosstab
)的边际控制、窗口函数的动态范围定义、Pandas的transform组内标准化,以及SQL中CUBE/ROLLUP的维度剪枝。在电商、金融、供应链等场景中,正确实施多维聚合可支撑同比环比、占比归一、滚动统计等高阶分析需求,并为BI工具和决策引擎提供语义清晰、结构健壮的数据底
多维聚合数据变形实战:Pandas透视与维度契约设计
多维聚合是BI分析、报
表
开发与特征工程中的基础技术概念,其核心在于将原始数据沿多个业务维度(如时间、地域、产品)进行结构化折叠与重组织。它并非简单SQL分组计算,而是涉及坐标系构建、稀疏填充、层级映射与空值语义统一的数据空间重构过程。技术价值体现在提升
交叉
分析一致性、支撑动态下钻与同比计算,并为机器学习提供稳定特征输入。典型应用场景包括销售多维透视
表
、客户分群矩阵、风控指标
交叉
监控等。本文聚焦Pandas生态下的实操路径,深入解析pivot_table、
crosstab
、stack/unstack等关键操作
机器学习——Day04
Pandas数据处理的核心操作:1)DataFrame的算术/逻辑/统计运算与自定义函数应用;2)数据可视化方法;3)文件读写(CSV/HDF5/JSON);4)缺失值检测与处理方法;5)数据离散化与one-hot编码;6)数据合并的concat/merge;7)
交叉
表
与透视
表
分析;8)分组聚合操作。涵盖了从基础运算到高级分析的完整数据处理流程,适用于金融、零售等多领域数据分析场景。
DataWindow
611
社区成员
20,469
社区内容
发帖
与我相关
我的任务
DataWindow
PowerBuilder DataWindow
复制链接
扫一扫
分享
社区描述
PowerBuilder DataWindow
社区管理员
加入社区
获取链接或二维码
近7日
近30日
至今
加载中
查看更多榜单
社区公告
暂无公告
试试用AI创作助手写篇文章吧
+ 用AI写文章