pivot

原文链接：https://www.cnblogs.com/gaizai/p/3753296.html sql server动态行列转换 一.本文所涉及的内容（Contents） 本文所涉及的内容（Contents） 背景（Contexts） 实现代码（SQL Codes） 方法一：使用拼接SQL，静态列字段； 方法二：使用拼接SQL， 动态 列字段； 方法三：使用PIVOT关系运算符，静态列字段； 方法四：使用PIVOT关系运算符， 动态 列字段； 扩展阅读一：参数化表名、分组列、行转列字段、字段值； 扩展阅读二：在前面的基础上加入条件过滤； 参考文献（References） 二.背景（Contexts） 　　其实行转列并不是一个什么新鲜的话题了，甚至已经被大家说到烂了，网上的很多例子多多少少都有些问题，所以我希望能让大家快速的看到执行的效果，所以在动态列的基础上再把表、分组字段、行转列字段、值这四个行转列固定需要的值变成真正意义的参数化，大家只需要根据自己的环境，设置参数值，马上就能看到效果了（可以直接跳转至：“ 参数化动态PIVOT行转列 ”查看具体的脚本代码）。行转列的效果图如图1所示： （图1：行转列效果图） 三.实现代码（SQL Codes） (一) 首先我们先创建一个测试表，往里面插入测试数据，返回表记录如图2所示： --创建测试表 IF EXISTS (SELECT

我们都有这种感觉，一些新知识如果不常使用，就会慢慢忘记。以至于，在做实际项目时，还是局限于自己认知范围里的那些 API 。 要想克服这个弊病，真正将过往所学应用起来，可能需要真正吃透，并多思考，吸取精华，深入骨髓。 近日，推送过一个关于数据分析的系列，主要参考了 Pandas 官方文档。今天，做一个小结，回顾复习下。 以下所写未必足够专业，甚至某些术语值得批判，大家凑合着看吧，如果能帮我指正，不胜感激。 Pandas 框架，作为最专业的 Python 分析工具包之一，有一个单独的数据操作模块，包括 15 个，全是设计上最 顶层的函数。它们大致可以分类为：数据透视相关；数据分箱相关；多个数据表融合相关；分类变量的数值化相关。 借助这 4 类函数可完成对数据的一些重要分析。下面依次介绍。 数据透视相关包括： melt, pivot, pivot_table, crosstab. melt 变换宽格式数据为长格式，通俗点说就是列数变少了，行数变多了。我们可以试着想想，如何实现。详细参考： 宽表如何重构为长表 ， 与之类似的函数为： wide_to_long ，与之逆操作为： pivot ： 数据由长格式变为宽格式 ， pivot 操作是不能完成数据聚合透视的，它的升级版为： pivot_table ， Python数据透视功能之 pivot_table()介绍 。 pandas