作者|Bex T.
编译|VK
起源|Towards Datas Science
介绍
我很喜爱DataCamp上的“Seaborn两头数据可视化”(Intermediate Data Visualization with Seaborn)这个课程。它教给老手十分棒的图表和办法。但说到热图，课程的老师不知怎么地引入了一个全新的pandas函数crosstab。而后，很快说：“crosstab是一个计算穿插表的有用函数…”
我就在那里不了解了。显然，我的第一反馈是查看函数的文档。我刚开始感觉我能够解决Matplotlib的任何文档，然而…我错了。.
在我练习之后，我晓得这是他人也会挣扎的事件。所以，我在这里写了一整篇文章。
在本文的最初一部分中，我探讨了为什么有些课程不教你像crosstab这样的高级函数。因为如果不在具体的环境下很难应用这样的函数，同时又放弃示例的初学者级别。
此外，大多数课程应用小型或玩具数据集。在更简单的数据迷信环境中，这些简单函数的益处更为显著，并且常常被更有教训的pandas用户应用。
在这篇文章中，我将教你如何应用crosstab以及如何在其余相似函数中抉择它。
目录
- 简介
- 设置
- crosstab基础知识
- Pandas crosstab()与pivot_table()和groupby()的比拟
- Pandas crosstab()的进一步定制
- Pandas crosstab()，多个组
你能够在这个GitHub repo上下载本文的notebook：https://github.com/BexTuychie...
设置
# 导入必要的库import pandas as pdimport matplotlib.pyplot as pltimport seaborn as snsimport numpy as np# 疏忽正告import warningswarnings.filterwarnings('ignore')# 启用多单元输入from IPython.core.interactiveshell import InteractiveShellInteractiveShell.ast_node_interactivity = 'all'对于示例数据，我将应用Seaborn内置的diamonds数据集。它足够大，并且有一些能够用crosstab()的变量：
diamonds = sns.load_dataset('diamonds')diamonds.head()crosstab()基础知识
与许多计算分组汇总统计信息的函数一样，crosstab()能够解决分类数据。它可用于将两个或多个变量分组，并为每组的给定值执行计算。当然，应用groupby()或pivot_table()能够执行此类操作，但正如咱们稍后将要看到的，crosstab()为你的日常工作流程带来了许多益处。
函数承受两个或多个列表、pandas series 或dataframe，默认状况下返回每个组合的频率。我总是喜爱从一个例子开始，这样你能够更好地了解定义，而后我将持续解释语法。
crosstab()总是返回一个数据帧，上面是一个例子。dataframe是diamonds中两个变量的穿插表：cut和color。穿插表示意取一个变量，将其组显示为index，取另一个变量，将其组显示为columns。
pd.crosstab(index=diamonds['cut'], columns=diamonds['color'])语法相当简略。index用于对变量进行分组，并将其显示为index(行)，对于列也是如此。如果没有给定聚合函数，则每个单元格将计算每个组合中的察看数。例如，左上角的单元格通知咱们，有2834颗颜色代码为D而且是现实切割的钻石，。
接下来，咱们要查看每个组合的平均价格。crosstab()提供values参数来引入第三个要聚合的数值变量：
pd.crosstab(index=diamonds['cut'], columns=diamonds['color'], values=diamonds['price'], aggfunc=np.mean).round(0)当初，每个单元格蕴含了cut和color组合的平均价格。为了阐明咱们要计算平均价格，咱们将price列传递给values。请留神，始终必须同时应用values和aggfunc。否则，你将失去一个谬误。我还应用round()将答案四舍五入。
只管它有点高级，然而当你将crosstab()表传递到seaborn的热图中时，你将充分利用crosstab()表的长处。让咱们在热图中看到上表：
cross = pd.crosstab(index=diamonds['cut'], columns=diamonds['color'], values=diamonds['price'], aggfunc=np.mean).round(0)sns.heatmap(cross, cmap='rocket_r', annot=True, fmt='g');seaborn能够主动将crosstab()表转换为热图。我将正文设置为True，并用色彩条显示热图。seaborn还为列和索引名增加了款式(fmt='g' 将数字显示为整数而不是迷信计数)。
热图更容易解释。你不想让你的最终用户看到一张满是数字的表格。因而，我将在须要时将每个crosstab()后果放入热图中。为了防止反复，我创立了一个有用的函数：
def plot_heatmap(cross_table, fmt='g'): fig, ax = plt.subplots(figsize=(8, 5)) sns.heatmap(cross_table, annot=True, fmt=fmt, cmap='rocket_r', linewidths=.5, ax=ax) plt.show();Pandas crosstab()与pivot_table()和groupby()的比拟
在咱们持续探讨更乏味的内容之前，我想我须要廓清计算分组摘要统计的三个函数之间的区别。
我在本文的第一局部介绍了pivot_table()和groupby()的区别。对于crosstab()，这三者之间的区别在于语法和后果的形态。让咱们应用这三种办法计算：
# 应用 groupby()>>> diamonds.groupby(['cut', 'color'])['price'].mean().round(0)cut colorIdeal D 2629.0 E 2598.0 F 3375.0 G 3721.0 H 3889.0 I 4452.0 J 4918.0Premium D 3631.0 E 3539.0 F 4325.0 G 4501.0 H 5217.0 I 5946.0 J 6295.0Very Good D 3470.0 E 3215.0 F 3779.0 G 3873.0 H 4535.0 I 5256.0 J 5104.0Good D 3405.0 E 3424.0 F 3496.0 G 4123.0 H 4276.0 I 5079.0 J 4574.0Fair D 4291.0 E 3682.0 F 3827.0 G 4239.0 H 5136.0 I 4685.0 J 4976.0Name: price, dtype: float64# 应用 pivot_table()diamonds.pivot_table(values='price', index='cut', columns='color', aggfunc=np.mean).round(0)# 应用 crosstab()pd.crosstab(index=diamonds['cut'], columns=diamonds['color'], values=diamonds['price'], aggfunc=np.mean).round(0)以上是pivot_table的输入
以上是crosstab的输入
我想你曾经晓得你最喜爱的了。grouppy()返回一个序列，而另两个返回雷同的数据帧。然而，能够将groupby系列转换为雷同的数据帧，如下所示：
grouped = diamonds.groupby(['cut', 'color'])['price'].mean().round(0)grouped.unstack()如果你不理解pivot_table()和unstack()的语法，我强烈建议你浏览本文的第一局部。
说到速度，crosstab()比pivot_table()快，但都比groupby()慢得多：
%%timeitdiamonds.pivot_table(values='price', index='cut', columns='color', aggfunc=np.mean)11.5 ms ± 483 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)%%timeitpd.crosstab(index=diamonds['cut'], columns=diamonds['color'], values=diamonds['price'], aggfunc=np.mean)10.8 ms ± 344 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)%%timeitdiamonds.groupby(['cut', 'color'])['price'].mean().unstack()4.13 ms ± 39.8 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)如你所见，即便应用unstack()链接，groupby()也比其余两个快3倍。这阐明如果你只想分组和计算摘要统计信息，那么应该应用雷同的groupby()。当我链接其余办法(如simple round()时，速度差甚至更大。
其余的比拟次要是对于pivot_table()和crosstab()。如你所见，这两个函数的后果的形态是雷同的。两者之间的第一个区别是crosstab()能够解决任何数据类型。
它能够承受任何相似数组的对象，比方列表、numpy数组、数据帧列(pandas series)。然而，pivot_table()只对dataframe无效。在一个很有帮忙的StackOverflow中，我发现如果在数据帧上应用crosstab()，它会在后盾调用pivot_table()。
接下来是参数。有些参数只存在于一个参数中，反之亦然。第一个最风行的是crosstab()的normalize。normalize承受以下选项(来自文档)：
- 如果传递了all或True，则将规范化所有值。
- 如果传递index，将规范化每一行。
- 如果传递columns，将规范化每个列。
让咱们看一个简略的例子：
cross = pd.crosstab(index=diamonds['cut'], columns=diamonds['color'], normalize='all')plot_heatmap(cross, fmt='.2%')如果传递all，对于每个单元格，pandas计算总金额的百分比：
# 证实所有值加起来约等于1>>> pd.crosstab(diamonds['cut'], diamonds['color'], normalize='all').values.sum() 1.0000000000000002如果传递index或columns，则按列或按行执行雷同的操作：
cross = pd.crosstab(diamonds['cut'], diamonds['color'], normalize='index')plot_heatmap(cross, fmt='.2%')以上是按行规范化
cross = pd.crosstab(diamonds['cut'], diamonds['color'], normalize='columns')plot_heatmap(cross, fmt='.2%')以上是按列规范化
在crosstab()中，还能够应用行名和列名间接在函数内更改索引和列名。之后不用手动执行。当咱们一次按多个变量分组时，这两个参数十分有用，你将在前面看到。
参数fill_value只存在于pivot_table()中。有时，当你按许多变量分组时，不可避免地会呈现不统一。在pivot_table()中，能够应用fill_value将它们更改为自定义值：
diamonds.pivot_table(index='color', columns='cut', fill_value=0)然而，如果应用crosstab()，则能够通过在dataframe上链接fillna()来实现雷同的成果：
pd.crosstab(diamonds['cut'], diamonds['color']).fillna(0)Pandas crosstab()的进一步定制
crosstab()的另外两个有用参数是margins和margins_name(两者都存在于pivot_table()中)。设置为True时，边界计算每行和每列的和。咱们来看一个例子：
pd.crosstab(index=diamonds['cut'], columns=diamonds['clarity'], margins=True)pandas主动增加最初一行和最初一列，默认名称为All。margins_name能够管制名字：
pd.crosstab(index=diamonds['cut'], columns=diamonds['clarity'], margins=True, margins_name='Total Number')右下角的单元格将始终蕴含察看的总数，或者如果“normalize”设置为True，则为1：
pd.crosstab(index=diamonds['cut'], columns=diamonds['clarity'], margins=True, margins_name='Total Percentage', normalize=True)请留神，如果将margins设置为True，则热图是无用的。
Pandas crosstab()，多组
对于index和columns参数，能够传递多个变量。后果将是一个具备多级索引的数据帧。这次咱们插入所有的分类变量：
pd.crosstab(index=[diamonds['cut'], diamonds['clarity']], columns=diamonds['color'])对于index，我传递了color和cut。如果我把它们传递给列，后果将是一个蕴含40列的数据帧。如果你留神的话，多级索引如预期的那样命名为cut和clear。对于存在多级索引或列名的状况，crosstab()有不便的参数来更改它们的名称：
pd.crosstab(index=[diamonds['cut'], diamonds['clarity']], columns=diamonds['color'], rownames=['Diamond Cut', 'Clarity']).head()传递相应名称的列表，以将索引名称更改为行名称。这个过程对于管制列名的colnames是雷同的。
有一件事让我很诧异，如果你把多个函数传递给aggfunc，pandas就会抛出一个谬误。同样，StackOverflow上的伙计们认为这是一个bug，而且曾经有6年多没有解决过了。
最初要留神的是，在pivot_table()和crosstab()中，都有一个dropna参数，如果设置为True，则会删除蕴含所有nan的列或行。
原文链接：https://towardsdatascience.co...
欢送关注磐创AI博客站：
http://panchuang.net/
sklearn机器学习中文官网文档：
http://sklearn123.com/
欢送关注磐创博客资源汇总站：
http://docs.panchuang.net/