python Pandas.crosstab()函数 参数详解，例子解析
一.首先我们拿出Pandas官方指南里的函数参数，如下：
Parameters 参数
参数1：index #简单说就是行数据
array-like, Series, or list of arrays/Series
类似索引数组、系列或数组/系列列表
Values to group by in the rows.
行中要作为分组依据的值。
参数2：columns #简单说就是列数据
array-like, Series, or list of arrays/Series
列类数组、系列或数组列表/系列
Values to group by in the columns.
列中要作为分组依据的值。
参数3：values #可选，很少用
array-like, optional 值数组类，可选
Array of values to aggregate according to the factors. Requires aggfunc be specified.
要根据因子聚合的值数组。需要指定 aggfunc。
参数4：rownames #给所有行起个行标签，下文会有解释
sequence, default None 行名序列，默认为无
If passed, must match number of row arrays passed.
如果传递，则必须与传递的行数组数匹配。
参数5：colnames #给所有列起个列标签，下文会有解释
sequence, default None 同名序列，默认为无
If passed, must match number of column arrays passed.
如果传递，则必须与传递的列数组数匹配。
参数6: aggfunc #可选，很少用
function, optional aggfuncfunction， 可选
If specified, requires values be specified as well.
如果指定，则还需要指定值。
参数7：margins #添加行列计数小计，包含行列总和
bool, default False 边距布尔，默认为假
Add row/column margins (subtotals).
添加行/列边距（小计）。
参数8：margins_name #给参数6小计行列添加名字
str, default ‘All’ margins_namestr，默认为“全部”
Name of the row/column that will contain the totals when margins is True.
当边距为 True 时将包含总计的行/列的名称。
参数9：dropna #Ture则不包含全为NaN的列，False则显示结果含全为NaN的列
bool, default True dropnabool，默认为 True
Do not include columns whose entries are all NaN.
不要包含条目全部为 NaN 的列。
参数10：normalize #对计数值进行规范化
bool, {‘all’, ‘index’, ‘columns’}, or {0,1}, default False
normalizebool， {'all'， 'index'， 'columns'}， or {0，1}， default False
Normalize by dividing all values by the sum of values.
通过将所有值除以值的总和来规范化。
-
If passed ‘all’ or True, will normalize over all values.
如果传递“all”或 True，则将对所有值进行规范化。 -
If passed ‘index’ will normalize over each row.
如果传递“索引”将在每一行上规范化。 -
If passed ‘columns’ will normalize over each column.
如果传递“列”，则会在每列上规范化。 -
If margins is True, will also normalize margin values.
如果边距为 True，则还将规范化边距值。
二.结合例子理解参数
1.简单例子
df1 = pd.DataFrame([[1,2,3,4],
[2,3,4,5],
[3,4,5,6]],
index=["1","2","3"],columns=["张三","李四","王五","胡六"])
df3 = df1["张三"]
df3
df3运行结果：行索引为1，2，3，
列值为1，2，3的数组
df2 = pd.DataFrame([["a","b","c","d"],
["b","c","d","e"],
["c","d","e","f"]],
index=["1","2","3"],columns=["列1","列2","列3","列4"])
df4 = df2["列1"]
df4
df4运行结果：行索引为1，2，3
列值为a,b,c的数组
#这里运用文章函数pandas.crosstab()，使用参数index，参数columns
pd.crosstab(index=df3,columns=df4)
得到的数据框中，行名字为“张三”，列名字为“列1”，是因为上文df1中通过选取张三字段得到df3，df2中通过选取列1 字段得到df4，两者连结成交叉表得到上图行列的名字。
且上图中的01计数，则为a1记为1次，b2记为1次，c3记为1次，
是df4中的第一个元素a和df3中的第一个元素1，组合成a1，记为1次
df4中的第二个元素b和df3中的第二个元素2，组合成b2，记为1次
df4中的第三个元素c和df3中的第三个元素3，组合成c3，记为1次，
没有其他组合了，则为0计数
#这里运用文章函数pandas.crosstab()，使用参数rownames，参数colnames，
参数margins
pd.crosstab(index=df3,columns=df4,rownames=['数字'], colnames=['字母'],margins=True)
rownames修改了“张三”，colnames修改了“列1”，margins为True则提供了行列的小计
2.复杂例子
#这里运用文章函数pandas.crosstab()，新使用参数margins_name,参数normalize
a = np.array(["foo", "foo", "foo", "foo", "bar", "bar",
"bar", "bar", "foo", "foo", "foo"], dtype=object)
b = np.array(["one", "one", "one", "two", "one", "one",
"one", "two", "two", "two", "one"], dtype=object)
c = np.array(["dull", "dull", "shiny", "dull", "dull", "shiny",
"shiny", "dull", "shiny", "shiny", "shiny"],dtype=object)
pd.crosstab(a, [b, c],
rownames=['a'],
colnames=['b', 'c'],
margins=True,
margins_name="总和",
normalize="all")
复杂例子交叉表+数据标准化
结果解析，行索引以a数组为值，行索引以b，c数组为值，
数据框中的值为：
a中第一个元素和b中第一个元素加c中第一个元素 foo+one+dull，计数一次
a中第二个元素和b中第二个元素加c中第二个元素 foo+one+dull，计数第二次
……
以此类推，直至abc中最后一组元素，计数一次，得到下表
复杂例子交叉表
参数margins_name：给行列小计起个名字，这里是“总和”
参数normalize：给数据进行标准化，可见上边数据标准化示图，可选值见上文第一大部分
#这里运用文章函数pandas.crosstab()，新使用参数dropna
foo = pd.Categorical(['a', 'b'], categories=['a', 'b', 'c'])
bar = pd.Categorical(['d', 'e'], categories=['d', 'e', 'f'])
pd.crosstab(foo, bar ,dropna=True)
foo = pd.Categorical(['a', 'b'], categories=['a', 'b', 'c'])
bar = pd.Categorical(['d', 'e'], categories=['d', 'e', 'f'])
pd.crosstab(foo, bar, dropna=False) 
参数dropna的True和False的区别为是否对全部为NaN的列进行显示