Можно, очень неудобно, очень геморно, нужно заранее знать по каким колонкам раскладывать (если я правильно понял что в хелпе написано).
Если бы приспичило, то я бы проще решал через
case when
А потом получившееся уже суммировал и вот это всё что вам может понадобиться.
ну и ваши потомки, кому с этим потом жить с большей вероятностью разберутся, что там происходит

несколько

pd.pivot_table(df, values='paid', index=['date_week_ses'],
                      columns=['date_week_crm'], aggfunc=[np.sum,np.std])

но и то этим кажется есть смысл заниматься, если вывод результата запроса сразу на принтер, а во всех остальных случаях лучше всё это делать в пандасах, пивотах, и т.д

Ну вы ребята даете, решаете и отвечаете на то о чем вас не спрашивают :)

Применял редко и как правило только если вот прям очень нужно для какого-то отчета. Во всех остальных случаях, если приходилось это применять, то как правило значит или я или кто-то ошибся при проектировании таблиц.

Может слово ошибался надо в кавычки взять? Обычно это нужно когда значения столбца динамические, могут добавляться, меняться и т.п.

Ну это мой опыт) и я только "вхожу" в мир аналитики....выходя из бэкэнд разработчика, возможно в аналитике чаще приходиться транспонировать таблицы.  А так оператор как оператор... ))) рабочий и применяемый.

Но прменяли именно с несколькими агрегир. ф-ями внутри пивота для столбца?

Именно поддержка этого механизма интересна, т.к. из доки этого не следует

Там описан синтаксис поддержки только одной агрег. ф-ии

Вам никто не мешает транспонировать не только select column1, count(*)....но и к примеру select column1, count(*), sum(column2) , ....если вы об этом

ok

Спасибо, сделал по неделям
А если,  я захочу указать не каждую неделю, а 15 дней?
И если месяц или год то, соответственно?
df['day'] - pd.to_timedelta(df['day'].dt.month, unit='d')
df['day'] - pd.to_timedelta(df['day'].dt.year, unit='d')

Нет, так не получается. Там другую функцию надо будет применять

К месяцу например можно привести с помощью df['date'].astype('datetime64[M]')

Буду пробовать создать кастомную функцию, наверное, там можна через timestamp выкрутить
Спасибо

Кто-нибудь рисовал на питоне такие графики?

Добрый вечер, коллеги. Помогите с нубским вопросом: пытаюсь "играться" с анализом данных скорее в виде хобби, и столкнулся, что массивы, которые удается получить, весьма неудобны для анализа. Например, если в поле содержится id элемента из другой таблицы, или таблица представляет список событий, а анализировать нужно интервалы и т.п. делать это на питоне получается ужасно неудобно.
Подскажите, я что-то не так делаю или предварительная склейка и предобработка данных в том же sql - это нормально?

Поясню о чем речь: предположим, у меня есть таблица поступлений по клиент-банку, таблица контрагентов и таблица обращений в crm и я хочу анализировать интервал времени от первого контакта до поступления денег: лучше эти интервалы в sql посчитать и сразу с названиями контрагентов склеить или в python это тоже можно так же просто и удобно сделать?

Если запросы не ложат базу — стараюсь предварительно все что можно делать в sql