Pandas的style用法在大多数教程中见的比较少，它主要是用来美化DataFrame和Series的输出，能够更加直观地显示数据结果。
下面采用某商店的零售数据集，通过实际的应用场景，来介绍一下style中那些实用的方法。
首先导入相应的包和数据集
import pandas as pd
import numpy as np
data = data = pd.read_excel('./data/sales.xlsx')
data.head()
数据集中的特征有订单号、顾客姓名、商品名、数量、单价、金额以及对应的购买日期。
输出格式化
style中的format函数可以对输出进行格式化，比如在上述的数据集中，求每位顾客的消费平均金额和总金额，要求保留两位小数并显示相应的币种。
(data.groupby(['姓名'])['金额'].agg(['mean','sum'])
.head(5)
.style
.format('${0:,.2f}'))
又或求每位顾客的总消费金额（保留2位小数）及其对应的占比情况（以百分数形式展现）
consumer_sales = data.groupby('姓名')['金额'].agg(['sum']).reset_index()
consumer_sales['消费金额占比'] = consumer_sales['sum'] / consumer_sales['sum'].sum()
(consumer_sales.head(5)
.style
.format({'sum':'${0:,.0f}', '消费金额占比': '{:.2%}'}))
突出显示特殊值
style还可以突出显示数据中的特殊值，比如高亮显示数据中的最大（highlight_max）、最小值（highlight_min）。
#求每个月的销售总金额，并分别用红色、绿色高亮显示最大值和最小值
monthly_sales = data.resample('M',on='日期')['金额'].agg(['sum']).reset_index()
monthly_sales['pct_of_total'] = monthly_sales['sum'] / data['金额'].sum()
format_dict = {'sum':'${0:,.0f}', '日期': '{:%Y-%m}', 'pct_of_total': '{:.2%}'}
(monthly_sales.style
.format(format_dict)
.highlight_max(color='#cd4f39')
.highlight_min(color='lightgreen'))
色阶样式
运用style的background_gradient方法，还可以实现类似于Excel的条件格式中的显示色阶样式，用颜色深浅来直观表示数据大小。
import seaborn as sns
cm = sns.light_palette('green', as_cmap=True)
(data.groupby(['姓名'])[['数量','金额']]
.agg(['sum'])
.head(5)
.style
.background_gradient(cmap=cm))
数据条样式
同样的，对于Excel的条件格式中的数据条样式，可以用style中的bar达到类似效果，通过颜色条的长短可以直观显示数值的大小。
(monthly_sales.style
.format(format_dict)
.bar(color='#FFA07A', vmin=100_000, subset=['sum'], align='zero')
.bar(color='lightgreen', vmin=0, subset=['pct_of_total'], align='zero')
)
迷你图
最后介绍一个简单好用的骚操作——sparklines的运用，它能够以字符串的形式展现一个迷你的数据特征图。
假设我现在有一个这样的需求，就是想看看所有用户的购买数量和金额的大体分布情况。
按照往常的思路，可以用可视化的形式绘制出来，但是这样稍显复杂，使用sparklines则可以简单达到这种效果。
首先需要安装sparklines这个包
pip install sparklines
因为需求的实现需要用的groupby函数，所以先定义一个处理函数
from sparklines import sparklines
# 定义sparklines函数用于展现数据分布
def sparkline_str(x):
bins = np.histogram(x)[0]
sl = ''.join(sparklines(bins))
return sl
# 定义groupby之后的列名
sparkline_str.__name__ = '分布图'
data.groupby('姓名')[['数量', '金额']].agg(['mean', sparkline_str])
这样一来，就比较清晰直观地展现了每个用户的消费数量分布和消费金额分布，进而可以根据这些特征对用户的消费行为进行进一步的研究。
sparklines的功能还是挺Cool挺实用的，更具体的用法可以去看看sparklines的文档。
