Python 如何有效地重新安排熊猫和NumPy每天通过/不通过的百分比？

我试图分析有这种形式的数据

date     | result | test
----------------------------
10-08-13 | True   | test_1
10-08-13 | True   | test_2
10-08-13 | False  | test_2
10-07-13 | True   | test_3
10-07-13 | False  | test_4
10-06-13 | True   | test_3
10-05-13 | False  | test_1

我想要创建的是每个测试的通过率随时间变化的时间序列。因此，理想情况下，我希望将数据重新整理成以下形式：

date     | test_1 | test_2  | test_3  | test_4
-----------------------------------------------
10-08-13 | 50     | 70      | 55      | 100
10-08-13 | 60     | 70      | 55      | 100
10-08-13 | 30     | 70      | 55      | NaN
10-07-13 | 50     | 10      | NaN     | 100
10-07-13 | 30     | 10      | NaN     | 100
10-06-13 | 50     | 70      | Nan     | 100
10-05-13 | 50     | 70      | 55      | 100

到目前为止，我已经能够使用以下代码重新排列数据：

all_tests = data.groupby('test').size()
data_grouped = data.groupby('date')
per_test_per_day = {}

def tests_per_day(group):
    g = group.groupby('test')
    tests = g.size() 
    tests_pass = g['result'].sum()
    for d in all_tests.index:
    if d not in per_test_per_day:
        per_device_per_day[d] = []

    if d in tests:
        per_test_per_day[d].append(tests_pass[d] / tests[d] * 100)
    else:
        per_test_per_day[d].append(NaN)

data_grouped.apply(tests_per_day)

结果数据框看起来很接近我需要的，只是它的索引只是标准整数，所以我的X轴没有标记正确的日期

---

我相信有一种更好的方法可以使用Pandas和NumPy来完成数据转换。

现在我想这是一种更好的方式：

注意：默认的aggfunc是mean，这正是您想要的

---

查看此答案的编辑历史记录，了解使用groupby、mean和unstack的不太直接的方式。

现在我想这是一个更好的方式：

注意：默认的aggfunc是mean，这正是您想要的

---

查看此答案的编辑历史记录，了解使用groupby、mean和unstack的不太直接的方式。

现在我想这是一个更好的方式：

注意：默认的aggfunc是mean，这正是您想要的

---

查看此答案的编辑历史记录，了解使用groupby、mean和unstack的不太直接的方式。

现在我想这是一个更好的方式：

注意：默认的aggfunc是mean，这正是您想要的

---

查看此答案的编辑历史记录，了解使用groupby、mean和unstack的不太直接的方法。

Perfect，效果很好。然而，我不清楚unstack操作到底做了什么。关于该函数的Pandas文档对我来说没有多大意义。@FraserGraham它基本上是一个轴心，将测试级别转换为一组列，这让我意识到你所做的只是一个轴心！啊哼！现在这更有意义了。多年前，我在Excel中使用pivot表时就了解了它们。在这种情况下，堆栈和取消堆栈操作对我来说更有意义。完美，就像一个符咒。然而，我不清楚unstack操作到底做了什么。关于该函数的Pandas文档对我来说没有多大意义。@FraserGraham它基本上是一个轴心，将测试级别转换为一组列，这让我意识到你所做的只是一个轴心！啊哼！现在这更有意义了。多年前，我在Excel中使用pivot表时就了解了它们。在这种情况下，堆栈和取消堆栈操作对我来说更有意义。完美，就像一个符咒。然而，我不清楚unstack操作到底做了什么。关于该函数的Pandas文档对我来说没有多大意义。@FraserGraham它基本上是一个轴心，将测试级别转换为一组列，这让我意识到你所做的只是一个轴心！啊哼！现在这更有意义了。多年前，我在Excel中使用pivot表时就了解了它们。在这种情况下，堆栈和取消堆栈操作对我来说更有意义。完美，就像一个符咒。然而，我不清楚unstack操作到底做了什么。关于该函数的Pandas文档对我来说没有多大意义。@FraserGraham它基本上是一个轴心，将测试级别转换为一组列，这让我意识到你所做的只是一个轴心！啊哼！现在这更有意义了。多年前，我在Excel中使用pivot表时就了解了它们。在这种情况下，堆栈和取消堆栈操作对我来说更有意义。

In [21]: df.pivot_table(values='result', cols='test', rows='date')
Out[21]: 
test      test_1  test_2  test_3  test_4
date                                    
10-05-13       0     NaN     NaN     NaN
10-06-13     NaN     NaN       1     NaN
10-07-13     NaN     NaN       1       0
10-08-13       1     0.5     NaN     NaN

In [22]: df.pivot_table(values='result', cols='test', rows='date') * 100
Out[22]: 
test      test_1  test_2  test_3  test_4
date                                    
10-05-13       0     NaN     NaN     NaN
10-06-13     NaN     NaN     100     NaN
10-07-13     NaN     NaN     100       0
10-08-13     100      50     NaN     NaN