Pandas pd.crosstab() 函数

Pandas 常用函数

pd.crosstab() 是 Pandas 库中用于计算交叉表（Cross Tabulation）的函数。它可以计算两个或多个变量的频次或聚合统计，生成类似 Excel 数据透视表的表格。

交叉表是统计分析中非常有用的工具，常用于分析两个或多个分类变量之间的关系，例如统计不同部门的男女员工数量。

单词释义： crosstab 是 "cross tabulation"（交叉表）的缩写，是一种统计表格，展示两个或多个变量的联合分布。

基本语法与参数

pd.crosstab() 是 Pandas 库的顶级函数，用于计算交叉表。

语法格式

pd.crosstab(index, columns, values=None, aggfunc=None, margins=False, margins_name='All', dropna=True, normalize=False)

参数说明

• 参数： index
  • 类型： 数组-like、Series 或列表。
  • 描述： 用作行索引的数据。可以是单个列或多个列（列表）。
• 参数： columns
  • 类型： 数组-like、Series 或列表。
  • 描述： 用作列索引的数据。可以是单个列或多个列（列表）。
• 参数： values
  • 类型： 数组-like 或 None。
  • 描述： 要聚合的值。如果指定，则需要配合 aggfunc 参数使用。
• 参数： aggfunc
  • 类型： 函数或字符串。
  • 描述： 聚合函数（如 'sum', 'mean', 'count' 等）。当指定 values 时需要使用。
• 参数： margins
  • 类型： 布尔值。
  • 描述： 如果为 True，添加行列合计。默认为 False。
• 参数： normalize
  • 类型： 布尔值或 'all', 'index', 'columns'。
  • 描述： 如果为 True，将值除以总计，生成比例（0-1）。也可以指定 'index' 或 'columns' 按行或按列归一化。

函数说明

• 返回值： 返回一个 DataFrame，表示两个或多个变量之间的交叉关系。
• 效果： 生成一个表格，行和列分别代表不同的分类变量，单元格显示对应的频次或聚合值。

实例

让我们通过一系列从简单到复杂的例子，彻底掌握 pd.crosstab() 的用法。

示例 1：基础用法 - 两个分类变量的交叉表

运行结果预期:

=== 员工数据 ===
   department  gender
0        Sales    Male
1        Sales  Female
2        Sales  Female
3  Engineering    Male
4  Engineering    Male
5           HR  Female
6           HR    Male
7        Sales  Female
8  Engineering  Female
9           HR    Male

=== pd.crosstab() 部门与性别交叉表 ===
gender        Female  Male
department
Engineering        1     2
HR                 1     2
Sales              3     1

代码解析:

1. 结果表格展示了每个部门中男性和女性的员工数量。

示例 2：添加行列合计和归一化

使用 margins 参数可以添加合计，normalize 参数可以查看比例分布。

运行结果预期:

=== 添加合计 (margins=True) ===
gender        Female  Male  All
department
Engineering        1     2    3
HR                 1     2    3
Sales              3     1    4
All                5     5   10

=== 整体归一化 (normalize=True) ===
gender            Female  Male
department
Engineering      0.1   0.2
HR               0.1   0.2
Sales            0.3   0.1

=== 按行归一化 (normalize='index') ===
gender            Female  Male
department
Engineering    0.333   0.667
HR               0.333   0.667
Sales              0.75   0.25

=== 按列归一化 (normalize='columns') ===
gender            Female  Male
department
Engineering          0.2   0.4
HR                   0.2   0.4
Sales                0.6   0.2

代码解析:

• 归一化方便分析比例关系，了解各部门中性别的相对分布。
• 按行归一化显示每个部门中性别的百分比分布。
• 按列归一化显示每个性别在各部门的分布比例。

示例 3：多个变量和聚合函数

可以使用多个行/列变量，并使用聚合函数计算统计值。

运行结果预期:

=== 销售数据 ===
   region product quarter  sales
0   North       A      Q1    100
1   North       B      Q1    150
2   South       A      Q1    200
3   South       B      Q1    180
4    East       A      Q2    120
5    East       B      Q2    160
6    West       A      Q2    190
7    West       B      Q2    170
8   North       B      Q2    140
9   South       A      Q2    210

=== 区域和产品的交叉表（频次）===
quarter               Q1  Q2
region product
East   A               0   1
       B               0   1
North  A               1   0
       B               1   1
South  A               1   1
       B               1   0
West   A               0   1
       B               0   1

=== 区域和季度的销售额合计 ===
quarter    Q1    Q2
region
East     NaN  280
North   250   140
South   380   210
West     NaN  360

=== 区域和季度的平均销售额 ===
quarter    Q1    Q2
region
East     NaN  140.0
North   125.0   140.0
South   190.0  210.0
West     NaN  180.0

代码解析:

• 使用多个行变量（列表形式）可以创建多层索引的交叉表。
• 每个单元格显示特定区域和产品组合在特定季度的出现次数。
• 使用 values 和 aggfunc 参数可以计算实际数值的聚合（求和、平均等）。

示例 4：处理缺失值

dropna 参数控制是否包含缺失类别。

运行结果预期:

=== 包含缺失值的数据 ===
     A    B
0    a    x
1    a    y
2    b    x
3  NaN    x
4    a  NaN
5    b    y

=== 默认移除缺失值 (dropna=True) ===
B    x  y
A
a    1  1
b    1  1

=== 包含缺失值 (dropna=False) ===
B      x    y  NaN
A
a      1    1    1
b      1    1    0
NaN    1    0    0

代码解析:

• 默认 dropna=True 会移除包含缺失值的行和列，只显示有效数据。
• 使用 dropna=False 可以查看包含缺失值的组合频次。

提示： pd.crosstab() 适合分析分类变量之间的关系。如果需要更复杂的数据汇总（如计算多个聚合指标），请使用 pd.pivot_table() 函数。

Pandas 常用函数