数据分析基础 | Python数据交叉表，你学会了吗？

数据交叉表是数据分析中非常重要的工具，掌握它可以让你更加高效地进行数据处理和可视化呈现。

1.引言

数据交叉表（也称为列联表或交叉表）是一种统计方法，用于分析和展示两个或多个分类变量之间的关系。在 Python 中，我们可以使用 Pandas 库中的crosstab函数来创建两个或多个因子的交叉表，相比Excel，Python可以更多更快的处理数据，首先，引入几个重要的包：

import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn as snsimport matplotlib.pyplot as pltplt.rcParams['font.sans-serif'] = [u'SimHei']plt.rcParams['axes.unicode_minus'] = False

2.数据

使用武汉市某超市过去一个月的销售数据（如有需要可联系作者获取），创建一个DataFrame对象，作为数据源，并通过可视化各商品的销售情况，找出最热卖的十样商品，代码如下：

data = pd.read_excel('3.1-3.31商品销售流水.xls')# 计算每个商品的出现次数product_counts = data['品名'].value_counts()# 转换成DataFrame形式product_counts = pd.DataFrame({'商品名称': product_counts.index, '出现次数': product_counts.values})# 去掉袋子product_counts = product_counts.drop([0, 3])# 可视化销售情况top_10 = product_counts.head(10)ax = top_10.plot(kind='bar', x='商品名称', y='出现次数', figsize=(10, 6), color='skyblue')plt.title('Top 10 Most Frequent Products in March')plt.xlabel('Product')plt.ylabel('Frequency')plt.xticks(rotation=45, ha='right')plt.tight_layout()# 在柱子上方显示数值for p in ax.patches:    ax.annotate(str(p.get_height()), (p.get_x() + p.get_width() / 2., p.get_height()), ha='center', va='center', xytext=(0, 5), textcoords='offset points')plt.show()

结果如下：

图片

3.crosstab 函数

首先，介绍一下crosstab 函数：

函数：pandas.crosstab(index, columns, values=None, rownames=None, colnames=None, aggfunc='default', margins=False, margins_name='All', dropna=True)

看一下参数主要的作用：

index：必选参数，行索引，这是创建交叉表时必须指定的参数，用于定义交叉表的行索引。可以设置为DataFrame中的一个或多个列，以创建多层索引。

columns：必选参数，列索引，这是创建交叉表时必须指定的参数，用于定义交叉表的列索引。通常用于展示分类数据。

values：非必选参数，被计算的数据项，这是一个可选参数，指定需要在交叉表中进行聚合操作的列。如果没有提供，交叉表将只计算行和列的组合数量。

rownames：非必选参数，行索引的名称，这是一个可选参数，用于指定行索引的名称。如果未指定，将使用 index参数中的名称。

colnames：非必选参数，列索引的名称，这是一个可选参数，用于指定列索引的名称。如果未指定，将使用 columns参数中的名称。

aggfunc：非必选参数，聚合函数，这是用于对交叉表中的数据进行聚合计算的函数，默认为 'default'，表示使用 numpy 的 sum函数。可以根据需要选择其他聚合函数。

fill_values：非必选参数，填充NA值，这是一个可选参数，用于指定在交叉表中缺失值的填充值。如果未指定，缺失值将保留为 NaN。

margins：非必选参数，添加行列的总计，这是一个布尔值参数，默认为 False，表示不显示行列的总计。如果设置为 True，则会在交叉表的行和列末尾添加总计。

margins_name：非必选参数，边缘名称，当 margins=True时，此参数用于设置边缘行或列的名称，默认值为 'All'。

dropna：非必选参数，是否丢弃NA值，这是一个布尔值参数，默认为 True，表示如果整行或整列都是NA值，则这些行或列将被丢弃。如果设置为 False，则这些行或列将被保留。

根据上述函数参数介绍，通过下面一个例子进行示例，假设我们有一个包含性别（Gender）、就业状态（Employment Status）和年龄组（Age Group）的数据集，我们想要创建一个交叉表来分析不同性别和就业状态的分布情况，并计算每个组合的人数。代码如下：

import pandas as pd# 示例数据data2 = pd.DataFrame({    'Gender': ['Male', 'Female', 'Female', 'Male', 'Female', 'Male'],    'Employment Status': ['Employed', 'Unemployed', 'Employed', 'Employed', 'Unemployed', 'Employed'],    'Age Group': ['20-30', '20-30', '30-40', '30-40', '20-30', '40-50']})# 创建交叉表cross_table = pd.crosstab(    index=data2['Gender'],     columns=data2['Employment Status'],    margins=True,     margins_name='Total')print(cross_table)

结果如下：

图片

4.热力图可视化交叉表

根据前文crosstab 函数用法介绍，对本文使用的销售数据创建交叉表，使用热力图可视化交叉表，对“让利类型”和“top_10”创建数据交叉，代码如下：

# 使用 crosstab 创建交叉表cross_tab = pd.crosstab(data['让利类型'],['top_10'] )cross_tab# 使用热力图可视化交叉表sns.heatmap(cross_tab, annot=True, fmt="d")plt.show()

结果如下：

图片

同理，对“原价”和“top_10”创建数据交叉，代码如下：

# 使用 crosstab 创建交叉表cross_tab = pd.crosstab(data['原价'],['top_10'] )cross_tab# 使用热力图可视化交叉表sns.heatmap(cross_tab, annot=True, fmt="d")plt.show()

结果如下：

图片

同理，对“类别名称”和“top_10”创建数据交叉，代码如下：

# 使用 crosstab 创建交叉表
cross_tab = pd.crosstab(data['类别名称'], ['top_10'])
cross_tab
# 使用热力图可视化交叉表
sns.heatmap(cross_tab, annot=True, fmt="d")
plt.show()

结果如下：

图片

同理，对“品名”和“top_10”创建数据交叉，代码如下：

# 使用 crosstab 创建交叉表
cross_tab = pd.crosstab(data['品名'],['top_10'] )
cross_tab
# 使用热力图可视化交叉表
sns.heatmap(cross_tab, annot=True, fmt="d")
plt.show()

结果如下：

图片

以上就是用Python构造数据交叉表的内容介绍。数据交叉表是数据分析中非常重要的工具，掌握它可以让你更加高效地进行数据处理和可视化呈现。