pivot_table无法实现Excel数据透视表全部功能，仅支持核心分组聚合与边际汇总；margins=True只做行列小计和总计，不支持占比等二次计算，需手动处理，且多级索引、空值、性能等方面存在局限。
不能用 pivot_table 实现 Excel 数据透视表“全部功能”——它不支持字段拖拽、值显示为百分比、多级汇总行折叠、条件格式、切片器联动等交互能力，但能完成核心的分组聚合与边际汇总（margins）。
为什么 pivot_table 的 margins=True 只加总行/列，不加“总计占总体百分比”
Excel 里右键“值字段设置 → 显示值为 → 占总和的百分比”，本质是二次计算：先算出所有单元格的聚合值，再用每个单元格除以总计。而 pivot_table(..., margins=True) 只做一次聚合（如 sum），然后对行/列维度分别再算一次 sum，结果只是行列小计+总计，没有比例逻辑。
要模拟“占总和百分比”，得手动计算：
- 先调用
pivot_table得到基础透视表pt - 用
pt / pt.values.sum()得到全局占比（注意：pt.values.sum()是所有数值单元格之和，不含 margin 行列） - 若需“行占比”，用
pt.div(pt.sum(axis=1), axis=0)；列占比则用pt.div(pt.sum(axis=0), axis=1)
margins=True 在多索引列下容易漏掉“总计”行
当 columns 参数传入多个字段（如 columns=['Region', 'Category']），生成的是 MultiIndex 列，此时 margins=True 默认只在最外层（即 Region）加 All 行，不会对 Category 单独加 All。Excel 会为每个列字段都提供“全部”选项，而 pandas 不会自动展开。
解决办法是显式控制 margins 行的标签和聚合逻辑：
- 用
margins_name='All'统一命名（默认就是'All'，但可改） - 若想让每一级列都有“总计”，需先
stack/unstack拆解，或改用groupby().agg()+pd.concat()手动拼接 - 特别注意：
margins=True对columns多级生效，但对index多级只在最内层加 All 行（行为不一致，易踩坑）
用 aggfunc 和 fill_value 处理空单元格时，margins 仍可能出 NaN
即使设置了 fill_value=0，margin 行/列的聚合值仍可能是 NaN——因为 margin 计算发生在 fill 之后，且它对空分组（比如某 Region 下没有任何 Category 数据）直接跳过，不触发 fill_value。
典型场景：原始数据中某 Region='North' 但 Category 全为空，pivot_table 生成的 North 行整行是 NaN，margins=True 算该行 sum 时结果仍是 NaN。
稳妥做法：
- 提前清洗：用
df.dropna(subset=['Region', 'Category'])或df.fillna({'Region': 'Unknown', 'Category': 'Other'}) - 聚合后补缺：对 margin 行/列单独用
.fillna(0)，例如pt.loc['All'] = pt.loc['All'].fillna(0) - 避免依赖
fill_value做 margin 安全兜底，它只影响主表单元格，不保 margin
性能与内存：大表开 margins 可能翻倍耗时
margins=True 不是简单加一行一列，而是额外执行两次完整 groupby（一次按 index，一次按 columns），再合并结果。当原始数据超 50 万行、分组维度多时，耗时可能比无 margin 版本高 1.5–2 倍，且中间对象会暂存内存。
如果只需要某一个 margin（比如只要“总计行”，不要“总计列”），别用 margins=True：
- 只要行总计：先
groupby(['index_cols']).agg(...)，再用pd.concat([result, result.sum().to_frame('All').T]) - 只要列总计：对 pivot 结果用
result['All'] = result.sum(axis=1) - 这样可控、可调试，也避免 pandas 内部重复扫描
真正难的不是写出带 margin 的 pivot_table，而是理解 margin 的计算边界在哪——它不跨维度、不重采样、不回填缺失组合，更不替代业务逻辑里的“占比”“同比”“排名”。这些都得在 pivot 之后、展示之前补上。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
