概要（pivot_tableは「集計しながら縦長データを行×列へ再配置する」）
pandasのpivot_tableは、Excelのピボットテーブルと同じ発想で「行（index）」「列（columns）」「値（values）」を指定し、合計や平均などの集計をしながら表を作ります。pivotと違い、同じ行×列の組み合わせが重複していてもaggfunc（集計関数）で安全にまとめられるのが最大の強みです。
基本の書き方（index・columns・values・aggfuncを押さえる）
最小の例（店×商品で売上合計を作る）
import pandas as pd
df = pd.DataFrame({
"store": ["A", "A", "B", "B", "A"],
"item": ["apple", "apple", "banana", "apple", "banana"],
"sales": [10, 13, 9, 7, 12]
})
pt = pd.pivot_table(
df,
index="store", # 行ラベル
columns="item", # 列ラベル
values="sales", # セルに置く値
aggfunc="sum" # 集計方法（合計）
)
print(pt)
# item apple banana
# store
# A 23 12
# B 7 9
index・columns・valuesの3点セットと、aggfunc（sum/mean/count など）を指定します。重複行を自動で集計してくれるため、現実のデータで扱いやすいです。
よく使う集計関数（sum/mean/count/first）
# 平均
pd.pivot_table(df, index="store", columns="item", values="sales", aggfunc="mean")
# 件数（カウント）
pd.pivot_table(df, index="store", columns="item", values="sales", aggfunc="count")
# 最初の値（重複があっても先頭だけ拾う）
pd.pivot_table(df, index="store", columns="item", values="sales", aggfunc="first")
重要ポイントの深掘り（欠損の穴埋め・総計・複数値・階層化）
欠損を埋める（fill_value）
pt = pd.pivot_table(
df,
index="store", columns="item", values="sales",
aggfunc="sum", fill_value=0
)
print(pt) # 組み合わせがないセルは0で埋まる
行×列に存在しない組み合わせはNaNになります。fill_valueを指定すると穴埋めできます。
総計（margins=True と margins_name）
pt = pd.pivot_table(
df, index="store", columns="item", values="sales",
aggfunc="sum", fill_value=0, margins=True, margins_name="Total"
)
print(pt)
# 行・列に総計が追加され、俯瞰しやすくなる
margins=Trueで行と列の総計（小計・総計）を自動追加できます。
valuesを複数指定（列が階層化）
df2 = pd.DataFrame({
"store": ["A","A","B","B","A"],
"item": ["apple","banana","apple","banana","banana"],
"sales": [10,12,7,9,12],
"cost": [6,7,5,6,7]
})
pt = pd.pivot_table(
df2, index="store", columns="item", values=["sales", "cost"], aggfunc="sum", fill_value=0
)
print(pt) # 列がMultiIndex（階層）になる
valuesを複数渡すと列が階層化されます。出力後に列名をフラット化すると扱いやすくなります。
行・列を複数指定（MultiIndex）
df3 = pd.DataFrame({
"year": [2024, 2024, 2025, 2025, 2025],
"store": ["A", "B", "A", "B", "A"],
"item": ["apple", "apple", "apple", "banana", "banana"],
"sales": [10, 7, 12, 9, 11]
})
pt = pd.pivot_table(
df3, index=["year", "store"], columns="item", values="sales", aggfunc="sum", fill_value=0
)
print(pt) # 年×店の階層行インデックス
indexやcolumnsにリストを渡すと階層化でき、分析の切り口を増やせます。
実践例（重複データの整形・比率作成・列名フラット化）
月×商品で合計と欠損埋め（基本整形の型）
df = pd.DataFrame({
"month": ["2025-01","2025-01","2025-02","2025-02","2025-02"],
"item": ["apple","banana","apple","banana","banana"],
"sales": [10,7,12,9,6]
})
pt = pd.pivot_table(
df, index="month", columns="item", values="sales",
aggfunc="sum", fill_value=0
)
print(pt)
重複をまとめ、抜けている商品は0で埋める定番パターンです。
合計・比率列を後から追加（派生指標の作り方）
pt["total"] = pt.sum(axis=1)
pt["apple_ratio"] = (pt.get("apple", 0) / pt["total"]).replace([float("inf")], 0).round(3)
print(pt)
合計と比率は列演算で簡単に追加できます。getで安全に列参照し、ゼロ割の特例も吸収します。
複数valuesの列名をフラット化（扱いやすくする整形）
# 先ほどの df2 → pt（MultiIndex列）をフラット化
pt.columns = [
"_".join(map(str, c)).strip() if isinstance(c, tuple) else c
for c in pt.columns
]
print(pt) # 例: sales_apple, cost_banana のように平坦な列名へ
階層列はそのままでも扱えますが、列選択や保存を楽にするならフラット化が有効です。
つまずき対策（pivotとの違い・重複エラー・カテゴリ・並び）
pivotとの違いを理解する（エラーになるならpivot_tableへ）
# pivotは「同じ行×列の組み合わせ」が重複すると ValueError
# pivot_tableはaggfuncでまとめるため安全に整形できる
重複があるのが普通のデータなので、最初からpivot_tableを使う方が失敗が少ないです。
並び順を整える（並べ替えやカテゴリで順序固定）
pt = pt.sort_index() # 行の並び替え
pt = pt.reindex(sorted(pt.columns), axis=1) # 列の並び替え
# カテゴリ型で並び順を固定（列側に適用する例）
order = pd.CategoricalDtype(categories=["apple", "banana", "cherry"], ordered=True)
df["item"] = df["item"].astype(order)
pt = pd.pivot_table(df, index="month", columns="item", values="sales", aggfunc="sum")
並びを安定させると、グラフ化やレポート出力が整います。
欠損の扱い方を先に決める（fill_value/あと処理）
pt = pd.pivot_table(df, index="month", columns="item", values="sales", aggfunc="sum", fill_value=0)
# もしくは後でまとめて処理
# pt = pt.fillna(0).astype(int)
最初に「欠損は0にするか、NaNのままか」を決めておくと、その後の計算が安定します。
まとめ（pivot_tableは“重複OKの再配置＋集計”。fill・総計・階層化で仕上げる）
pivot_tableは、index・columns・valuesを指定して「集計しながら行×列へ再配置」できる道具です。重複はaggfuncで安全にまとめ、fill_valueで欠損を埋め、marginsで総計を付ければ俯瞰が容易になります。valuesや行列を複数にすると階層化も可能で、必要なら列名のフラット化・合計や比率の派生列を加えて仕上げます。まずは「pivotよりpivot_table」「aggfuncとfill_value」を基本形にする—これが初心者に最も効く実践的な使い方です。