pivot_table 不万能，适合结构清晰的汇总；遇多级索引、动态列名、复杂缺失值时应改用 groupby+unstack 或手动 agg。常见报错 ValueError: Index contains duplicate entries 源于 index/columns 组合重复，需检查并指定 aggfunc。
直接说结论：pivot_table 不是万能的，它适合结构清晰、维度明确的汇总，但遇到多级索引嵌套、动态列名、非聚合函数嵌套或缺失值逻辑复杂时，容易卡住——这时候该换 pandas.DataFrame.groupby + unstack 或手动 agg 拆解。
为什么 pivot_table 一用就报 ValueError: Index contains duplicate entries
这是最常踩的坑：你传给 index 或 columns 的字段组合存在重复（比如同一用户在同一天有两条订单），而 pivot_table 默认不允许这种“一对多”映射。
- 先用
df.duplicated(subset=['user_id', 'date']).sum()检查重复组合 - 不打算去重？必须加
aggfunc参数，比如aggfunc='sum'或aggfunc={'amount': 'mean', 'status': 'first'} - 想保留所有行但又想透视？别硬扛 pivot_table，改用
df.groupby(['user_id', 'date'])['amount'].sum().unstack(fill_value=0)
如何让 pivot_table 输出多级列（MultiIndex columns）并正确命名
当你传入多个字段到 columns 或同时指定 values 为多个列时，pivot_table 会自动构建 MultiIndex 列，但列名默认是元组，后续取列困难。
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 加参数
observed=True可避免未出现的分类被补全（尤其配合pd.Categorical时） - 列名混乱？用
rename(columns=lambda x: '_'.join(map(str, x)) if isinstance(x, tuple) else str(x))扁平化 - 更稳的做法：分步做，先用单个
columns做一次 pivot，再对结果.stack().unstack('level_name')
aggfunc 怎么传才不丢数据、不报错
aggfunc 不只是写 'sum' 或 'mean'，它的写法直接影响输出结构和缺失值处理逻辑。
- 单函数字符串（如
'count'）会忽略 NaN；用'size'才统计含 NaN 的行数 - 传字典时键必须是
values中存在的列名，且不能漏掉——漏了会报KeyError - 自定义函数要能处理空组，比如
lambda x: x.iloc[0] if len(x) else np.nan，否则遇上全 NaN 组会崩 - 想同时算多个指标？用
aggfunc={'sales': ['sum', 'mean'], 'qty': 'count'}，但注意这会让列变成 MultiIndex
真正难的不是语法，是想清楚「这一行代表什么业务含义」。pivot_table 强制你把 index/columns/value/aggfunc 四者对齐，一旦业务维度有歧义（比如“地区”到底是分析粒度还是过滤条件），硬套 pivot_table 只会让代码越来越难 debug。
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！
