Función pd.crosstab() de Pandas

Pandas 常用函数 Funciones comunes de Pandas

pd.crosstab()Es una función de la biblioteca Pandas utilizada paracalcular tablas cruzadas (Cross Tabulation). Puede calcular la frecuencia o estadísticas agregadas de dos o más variables, generando una tabla similar a una tabla dinámica de Excel.

La tabla cruzada es una herramienta muy útil en el análisis estadístico, se usa comúnmente para analizar la relación entre dos o más variables categóricas, por ejemplo, contar el número de empleados hombres y mujeres en diferentes departamentos.

Definición de la palabra： crosstabEs la abreviatura de "cross tabulation" (tabla cruzada), un tipo de tabla estadística que muestra la distribución conjunta de dos o más variables.

Sintaxis básica y parámetros

pd.crosstab()Es una función de nivel superior de la biblioteca Pandas, utilizada para calcular tablas cruzadas.

Formato de sintaxis

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

Descripción de parámetros

Parámetro： index
- Tipo: array-like, Series o lista.
- Descripción: datos utilizados como índice de filas. Puede ser una sola columna o varias columnas (lista).
Parámetro： columns
- Tipo: array-like, Series o lista.
- Descripción: datos utilizados como índice de columnas. Puede ser una sola columna o varias columnas (lista).
Parámetro： values
- Tipo: array-like o None.
- Descripción: valores a agregar. Si se especifican, deben combinarse conaggfuncel parámetro.
Parámetro： aggfunc
- Tipo: función o cadena.
- Descripción: función de agregación (por ejemplo, 'sum', 'mean', 'count', etc.). Cuando se especificavalueses necesario utilizarlo.
Parámetro： margins
- Tipo: valor booleano.
- Descripción: si esTrue, agrega totales de filas y columnas. Por defecto esFalse。
Parámetro： normalize
- Tipo: booleano o 'all', 'index', 'columns'.
- Descripción: si esTrue, divide los valores por el total, generando proporciones (0-1). También se puede especificar 'index' o 'columns' para normalizar por filas o por columnas.

Descripción de la función

Valor de retorno: Devuelve un DataFrame que representa la relación cruzada entre dos o más variables.
Efecto: Genera una tabla donde las filas y columnas representan diferentes variables categóricas, y las celdas muestran la frecuencia o el valor agregado correspondiente.

Ejemplos

Aprendamos completamente mediante una serie de ejemplos de simples a complejos,pd.crosstab()su uso.

Ejemplo 1: Uso básico - Tabla cruzada de dos variables categóricas

Ejemplos

import pandas as pd

# 1. Crear datos de empleados
employees = pd.DataFrame({
'department': ['Sales', 'Sales', 'Sales', 'Engineering', 'Engineering', 'HR', 'HR', 'Sales', 'Engineering', 'HR'],
'gender': ['Male', 'Female', 'Female', 'Male', 'Male', 'Female', 'Male', 'Female', 'Female', 'Male']
})

print("=== Datos de empleados ===")
print(employees)

# 2. Calcular la tabla cruzada de departamento y género (frecuencia)
result = pd.crosstab(employees['department'], employees['gender'])
print("n=== Tabla cruzada de departamento y género de pd.crosstab() ===")
print(result)

Resultado esperado de la ejecución:

=== 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

Análisis del código:

La tabla de resultados muestra el número de empleados hombres y mujeres en cada departamento.

Ejemplo 2: Agregar totales de filas y columnas y normalización

Usandomarginsel parámetro se pueden agregar totales,normalizecon el parámetro se puede ver la distribución de proporciones.

Ejemplos

import pandas as pd

# Usando los datos de empleados anteriores
employees = pd.DataFrame({
'department': ['Sales', 'Sales', 'Sales', 'Engineering', 'Engineering', 'HR', 'HR', 'Sales', 'Engineering', 'HR'],
'gender': ['Male', 'Female', 'Female', 'Male', 'Male', 'Female', 'Male', 'Female', 'Female', 'Male']
})

# 1. Agregar totales de filas y columnas
result_margins = pd.crosstab(employees['department'], employees['gender'], margins=True)
print("=== Agregar totales (margins=True) ===")
print(result_margins)

# 2. Normalizar - convertir a proporciones
print("n=== Normalización general (normalize=True) ===")
result_norm = pd.crosstab(employees['department'], employees['gender'], normalize=True)
print(result_norm.round(3))

# 3. Normalizar por filas (cada fila suma 1)
print("n=== Normalización por filas (normalize='index') ===")
result_norm_index = pd.crosstab(employees['department'], employees['gender'], normalize='index')
print(result_norm_index.round(3))

# 4. Normalizar por columnas (cada columna suma 1)
print("n=== Normalización por columnas (normalize='columns') ===")
result_norm_col = pd.crosstab(employees['department'], employees['gender'], normalize='columns')
print(result_norm_col.round(3))

Resultado esperado de la ejecución:

=== 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

Análisis del código:

La normalización facilita el análisis de las relaciones de proporción y permite comprender la distribución relativa de los géneros en cada departamento.
La normalización por filas muestra la distribución porcentual de los géneros en cada departamento.
La normalización por columnas muestra la proporción de distribución de cada género en los diferentes departamentos.

Ejemplo 3: Múltiples variables y funciones de agregación

Se pueden usar múltiples variables de filas/columnas y utilizar funciones de agregación para calcular valores estadísticos.

Ejemplos

import pandas as pd
import numpy as np

# 1. Crear datos de ventas
sales = pd.DataFrame({
'region': ['North', 'North', 'South', 'South', 'East', 'East', 'West', 'West', 'North', 'South'],
'product': ['A', 'B', 'A', 'B', 'A', 'B', 'A', 'B', 'B', 'A'],
'quarter': ['Q1', 'Q1', 'Q1', 'Q1', 'Q2', 'Q2', 'Q2', 'Q2', 'Q2', 'Q2'],
'sales': [100, 150, 200, 180, 120, 160, 190, 170, 140, 210]
})

print("=== Datos de ventas ===")
print(sales)

# 2. Usar múltiples variables de filas
print("n=== Tabla cruzada de región y producto (frecuencia) ===")
result_multi = pd.crosstab([sales['region'], sales['product']], sales['quarter'])
print(result_multi)

# 3. Usar values y aggfunc para calcular el monto de ventas
print("n=== Total de ventas por región y trimestre ===")
result_sum = pd.crosstab(sales['region'], sales['quarter'], values=sales['sales'], aggfunc='sum')
print(result_sum)

# 4. Calcular el promedio de ventas
print("n=== Promedio de ventas por región y trimestre ===")
result_mean = pd.crosstab(sales['region'], sales['quarter'], values=sales['sales'], aggfunc='mean')
print(result_mean.round(1))

Resultado esperado de la ejecución:

=== 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

Análisis del código:

Usar múltiples variables de filas (en forma de lista) permite crear tablas cruzadas con índice de múltiples niveles.
Cada celda muestra el número de apariciones de una combinación específica de región y producto en un trimestre determinado.
Usar los parámetros values y aggfunc permite calcular agregaciones de valores numéricos reales (suma, promedio, etc.).

Ejemplo 4: Manejo de valores faltantes

dropnaEl parámetro controla si se incluyen categorías faltantes.

Ejemplos

import pandas as pd
import numpy as np

# 1. Datos con valores faltantes
data = pd.DataFrame({
'A': ['a', 'a', 'b', np.nan, 'a', 'b'],
'B': ['x', 'y', 'x', 'x', np.nan, 'y']
})

print("=== Datos con valores faltantes ===")
print(data)

# 2. Eliminar combinaciones con valores faltantes por defecto
result_drop = pd.crosstab(data['A'], data['B'])
print("n=== Eliminar valores faltantes por defecto (dropna=True) ===")
print(result_drop)

# 3. Incluir categorías faltantes
result_keep = pd.crosstab(data['A'], data['B'], dropna=False)
print("n=== Incluir categorías faltantes (dropna=False) ===")
print(result_keep)

Resultado esperado de la ejecución:

=== 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

Análisis del código:

Por defectodropna=Truese eliminan las filas y columnas con valores faltantes, mostrando solo datos válidos.
Usandodropna=Falsese puede ver la frecuencia de las combinaciones que contienen valores faltantes.

Consejo: pd.crosstab()es adecuado para analizar la relación entre variables categóricas. Si necesita un resumen de datos más complejo (como calcular múltiples indicadores de agregación), utilicepd.pivot_table()la función.

Pandas 常用函数 Funciones comunes de Pandas

Otras extensiones

Lectura y escritura de datos

Núcleo de procesamiento de datos

Manual de referencia

Estadística y casos

Función pd.crosstab() de Pandas

Sintaxis básica y parámetros

Formato de sintaxis

Descripción de parámetros

Descripción de la función

Ejemplos

Ejemplo 1: Uso básico - Tabla cruzada de dos variables categóricas

Ejemplos

Ejemplo 2: Agregar totales de filas y columnas y normalización

Ejemplos

Ejemplo 3: Múltiples variables y funciones de agregación

Ejemplos

Ejemplo 4: Manejo de valores faltantes

Ejemplos