Python基礎：クロス集計

はじめに

今回はクロス集計を扱います。クロス集計は目に触れる機会も多く、なじみ深い人も多いのではないでしょうか？情報を整理して捉えやすいので、便利ですよね。EXCELではなじみにある集計方法ですね。今回はPythonでクロス集計する方法をみていきましょう。

クロス集計

クロス集計とは複数項目からなるデータがある時に、異なる属性などに分類して、その頻度数を集計したものを指します。

現場で使える! PANDASデータ前処理入門 機械学習・データサイエンスで役立つ前処理手法

pandasのcrosstab関数により、簡単にクロス集計をすることができます。

サンプルデータ

今回はKaggleのデータを使うことにしましょう。

data=pd.read_csv('C:/data/train.csv')
data.head()

crosstab関数

では、さっそくcrosstab関数を使っていきましょう。crosstab関数のindex引数はクロス集計後のテーブルのインデックスラベルを指定します。columns引数はクロス集計後のカラムラベルを指定します。index, columns引数、ともに配列またはシリーズ、複数の場合はリストで指定できます。

pd.crosstab(index=data['Sex'],columns=data['Embarked'])

複数のインデックスやカラムを指定することも可能です。これも試してみましょう。

pd.crosstab(index=[data['Sex'],data['Cabin']],columns=data['Embarked'])

インデックスラベルへ2つのカラムを指定したので、階層型インデックスとして戻されます。また、margins引数（初期値False）により、列と行方向の合算値を算出することもできます。

pd.crosstab(index=data['Sex'],columns=data['Embarked'],margins=True)

crosstab関数は複数変数間の頻度数を算出しますが、次のようにpivot_table関数のような使い方もできます。

pd.crosstab(
    index=data['Sex'],
    columns=data['Embarked'],
    values=data['Age'],
    aggfunc='mean')

まとめ

いかがでしょうか？行方向index、列方向columnsを指定することさえ理解しておけば難しくないですね。データを把握する際に使うことも多いと思います。