pandas.crosstab

Partamos del dataset tips proveído por la librería seaborn:

Este dataset incluye 244 muestras:

Podríamos averiguar el reparto de muestras resultante de cruzar los campos "sex" y "smoker" con la siguiente instrucción:

Observamos que las 244 muestras se reparten de la siguiente forma:

• 60 hombres fumadores
• 97 hombres no fumadores
• 33 mujeres fumadoras
• 54 mujeres no fumadoras

crosstab & groupby

Obsérvese que podríamos haber obtenido el mismo resultado aplicando la función pandas.DataFrame.groupby. Comenzamos agrupando la tabla tips según los valores de los campos "sex" y "smoker" y aplicando la función count como función de agregación:

...y aplicamos el método pandas.DataFrame.unstack:

crosstab & pivot_table

También podríamos haber obtenido el mismo resultado usando la función pandas.DataFrame.pivot_table (funcionalidad (también disponible como método), aplicando como función de agregación la "longitud" del bloque de datos correspondiente a uno de los dos campos involucrados:

La desagregación de filas y columnas puede realizarse según más de una variable. Por ejemplo:

Parámetros margins y margins_name

El uso del parámetro margins nos permite añadir subtotales de filas y columnas (no es posible mostrar subtotales solo en una única dimensión):

El nombre de la fila/columna con el subtotal puede configurarse usando el parámetro margins_name:

Parámetro normalize

En lugar de mostrar las frecuencias absolutas de cada combinación, podemos "normalizar" dichas frecuencias con respecto al total o con respecto a los subtotales de filas o columnas. Por ejemplo, si asignamos al parámetro normalize el valor True, la normalización se realiza con respecto al total de muestras:

En el resultado anterior comprobamos que, redondeando, el 24.5% de las muestras corresponden a hombres fumadores, el 39.7% a hombres no fumadores, el 13.5% a mujeres fumadoras, y el 22.1% a mujeres no fumadoras. Por supuesto, la suma de estos cuatro porcentajes es 100%.

Si queremos que la normalización se realice según el subtotal de filas -por ejemplo-, podríamos conseguirlo con el siguiente código:

En este resultado vemos que el 100% de los hombres se divide en un 38.2% que fuma y en un 61.7% que no fuma. Y que el 100% de las mujeres se divide en un 37.9% que fuma y en un 62.0% que no lo hace.

Parámetros rownames y colnames

Estos parámetros se utilizan para dar nombres a los índices. Por ejemplo, si estamos cruzando los campos "sex" y "smoker" como en los ejemplos anteriores, los índices de filas y columnas reciben esos mismos nombres:

Pero podríamos cambiarlos usando los parámetros en cuestión:

Si estuviésemos cruzando más de dos campos (incluyendo el resultado un índice multinivel), el número de nombre deberá coincidir con el número de niveles de cada índice. Por ejemplo:

Parámetros aggfunc y values

Todos los ejemplos vistos hasta ahora desagregaban los campos que se llevaban a filas y columnas y se contabilizaba su frecuencia (absoluta o relativa). Pongamos un ejemplo muy simple: llevemos a la variable t un conjunto de 8 muestras aleatorias extraídas del dataset tips:

Obtengamos ahora la tabla de contingencia cruzando los campos sex y smoker:

Ya sabemos que lo que estamos haciendo es agrupar las muestras según el criterio definido por la combinación de los valores de los dos campos. Por ejemplo, en el resultado anterior vemos que hay tres hombre fumadores, dos hombres no fumadores, dos mujeres fumadoras y una mujer no fumadora.

Sin embargo, una vez desagregados nuestros datos en estos cuatro bloques, podríamos estar interesados en aplicar una o más funciones de agregación a campos adicionales del dataset. Por ejemplo, podríamos querer calcular el valor medio de las propinas (campo tip) para estos bloques de clientes.

Pues bien, esto es exactamente lo que nos permiten los parámetros aggfunc y values: el primero nos permite indicar la función o funciones de agregación a aplicar y, el segundo, los datos a los que aplicarlos. El valor medio de las propinas mencionado podría obtenerse con el siguiente código:

Confirmemos que el cálculo es correcto: vimos que hay tres hombres fumadores. Si revisamos el dataset t vemos que las propinas dejadas por estos clientes toman los valores 3.76, 3.08 y 5.65:

El valor medio de estos tres valores es 4.1633, que es el valor que aparece como resultado de nuestra tabla de contingencia.

Podemos aplicar más de una función de agregación. Por ejemplo, podríamos estar interesados en el valor medio y en el valor máximo de las propinas para cada uno de esos cuatro grupos de clientes: