如何解读pandas中crosstab生成的四维及更高维列联表？

问题本质 #

• 组合缺失：pd.crosstab默认仅保留数据中实际存在的列维度组合，没有对应样本的零值组合会被直接过滤，不会出现在输出结果中
• 标签顺序反转：默认维度取值的排序规则为「首次出现顺序」，而非数值大小顺序，你观察到的lp3标签顺序反转，就是因为数据集中lp3=1的组合先出现

固定输出格式的实现方法 #

如果需要输出所有理论布尔组合、且固定取值顺序为0在前1在后，先将参与列联表的维度列显式转为指定分类范围的分类类型，再调用pd.crosstab时添加dropna=False参数即可：

import pandas as pd
df = pd.DataFrame({"la":[0,1,1,0,1], "lp1": [1,0,1,0,0], "lp2":[1,1,0,0,1], "lp3":[0,0,1,1,1], "lp4":[0,1,1,0,0]})

# 批量将lp列转为固定分类范围的分类类型，固定取值顺序
lp_cols = ["lp1", "lp2", "lp3"]
for col in lp_cols:
    df[col] = pd.Categorical(df[col], categories=[0, 1])

# 生成包含所有理论组合的三维列联表
cross_3d = pd.crosstab(index=df["la"], columns=[df[c] for c in lp_cols], dropna=False)

运行上述代码后输出的列联表会包含所有2^3=8种lp维度组合，且所有维度的取值顺序固定为0、1。

高维列联表解读规则 #

处理后的输出为多层列索引的DataFrame结构，解读逻辑如下：

• 行索引对应la的取值
• 列索引从外层到内层，依次对应你传入columns参数的变量顺序（示例中为lp1→lp2→lp3）
• 单元格的数值即为满足「行索引la取值 + 列索引各层对应变量取值」的样本计数
  例如列索引为(0, 1, 0)、行索引为1的单元格值，就是la=1、lp1=0、lp2=1、lp3=0的样本出现次数。

高维场景更友好的替代方案 #

如果觉得多层列索引阅读成本高，可以改用groupby生成长表格式的统计结果，每个维度组合单独占一行，更易排查：

# 生成长表格式计数结果，count列为对应组合的样本数
count_long = df.groupby(["la", "lp1", "lp2", "lp3"], dropna=False).size().reset_index(name="count")

内容的提问来源于stack exchange，提问作者João Diogo Duarte