[Pandas] pivot_table

정의

DataFrame.pivot_table(...) 는 Pandas pivot 의 확장. 집계 함수를 동반 해 중복 (index, columns) 도 처리. Excel 의 피벗 테이블과 가장 가까운 기능.

pivot_table 처리 흐름

flowchart LR
    A["원본 DataFrame\n(행이 많고 중복 존재)"] --> B["index 로 행 분류"]
    B --> C["columns 로 열 분류"]
    C --> D["aggfunc 로 집계"]
    D --> E["2D 요약 테이블"]
    D --> F["margins=True 로 합계 행/열 추가"]

사용 상황

기본

df.pivot_table(
    index='date',
    columns='product',
    values='sales',
    aggfunc='sum',
)

import pandas as pd
df = pd.DataFrame({
  'date': ['2024-01', '2024-01', '2024-01', '2024-02', '2024-02'],
  'product': ['A', 'A', 'B', 'A', 'B'],
  'sales': [100, 50, 200, 150, 250],
})
print(df.pivot_table(index='date', columns='product', values='sales', aggfunc='sum'))

product     A    B
date
2024-01   150  200
2024-02   150  250

여러 aggfunc

df.pivot_table(
    index='date',
    columns='product',
    values='sales',
    aggfunc=['sum', 'mean', 'count'],
)

결과는 최상위 컬럼이 함수 이름인 MultiIndex.

margins (총계)

df.pivot_table(
    index='date',
    columns='product',
    values='sales',
    aggfunc='sum',
    margins=True,
    margins_name='Total',
)

Excel 의 총계 행/열과 동일.

여러 index / values

df.pivot_table(
    index=['region', 'date'],
    columns='product',
    values=['sales', 'qty'],
    aggfunc='sum',
)

MultiIndex 행 + MultiIndex 컬럼.

fill_value

df.pivot_table(..., fill_value=0)   # NaN 을 0 으로

groupby 와의 관계

pivot_table 은 사실 groupby + unstack 의 단축형.

# 둘은 같음
df.pivot_table(index='date', columns='product', values='sales', aggfunc='sum')
df.groupby(['date', 'product'])['sales'].sum().unstack('product')

crosstab 과의 관계

Pandas crosstab 은 pivot_table 의 빈도 특화 버전.

# 두 컬럼의 빈도 교차표
pd.crosstab(df['region'], df['product'])
# pivot_table 로 동일하게:
df.pivot_table(index='region', columns='product', aggfunc='size', fill_value=0)

실전 패턴

월별/카테고리별 매출 보고서

report = df.pivot_table(
    index='month',
    columns='category',
    values='revenue',
    aggfunc='sum',
    margins=True,
    fill_value=0,
)
report.to_excel('monthly_report.xlsx')

코호트 분석

df['cohort'] = df['signup_month']
df['period'] = (df['active_month'] - df['cohort']).dt.days // 30
cohort_table = df.pivot_table(
    index='cohort',
    columns='period',
    values='user_id',
    aggfunc='nunique',
)

여러 값 동시 + 누락 컬럼 채우기

pivot = df.pivot_table(
    index='week',
    columns='channel',
    values=['revenue', 'orders'],
    aggfunc={'revenue': 'sum', 'orders': 'count'},
    fill_value=0,
    margins=True,
)

결과 컬럼 평탄화

pivot = df.pivot_table(
    index='date',
    columns='product',
    values='sales',
    aggfunc=['sum', 'mean'],
)
# MultiIndex 컬럼 평탄화
pivot.columns = ['_'.join(c).strip() for c in pivot.columns]
# ['sum_A', 'sum_B', 'mean_A', 'mean_B']

pandas 2.x: 정렬 + reset

result = (
    df.pivot_table(
        index='date',
        columns='region',
        values='revenue',
        aggfunc='sum',
        fill_value=0,
    )
    .sort_index()
    .reset_index()
)

함정

1. 기본 aggfunc 가 mean

df.pivot_table(index='date', columns='product', values='sales')
# 명시 안 하면 'mean'

매출 같은 경우 ‘sum’ 을 명시하자.

2. observed (categorical)

df.pivot_table(index='cat_col', ..., observed=False)
# Categorical index 의 모든 카테고리 포함 (등장 안 한 것도)

pandas 2.x 에서는 observed=False 가 deprecated, 명시 권장.

3. dropna

df.pivot_table(index='date', columns='product', values='sales', dropna=False)
# NaN 행을 보존 (기본은 드롭)

4. values 생략 시 전체 컬럼

df.pivot_table(index='date', columns='product', aggfunc='sum')
# values 생략 시 수치 컬럼 전부 집계 → 과도한 MultiIndex 컬럼

항상 values 를 명시하는 것이 안전.

5. sort=False 와 컬럼 순서

df.pivot_table(index='date', columns='product', values='sales',
               aggfunc='sum', sort=False)
# sort=False: 원본 등장 순서 유지 (기본은 정렬)

6. margins + 여러 aggfunc

df.pivot_table(
    ...,
    aggfunc=['sum', 'mean'],
    margins=True,
)
# margins 의 'All' 행/열은 sum 에만 적용됨
# mean 의 'All' 은 예상과 다를 수 있음 (행 평균의 평균)

관련 위키

• Pandas pivot
• Pandas melt
• Pandas groupby
• Pandas crosstab
• Pandas stack / unstack
• Pandas agg