如何对含互斥与非互斥类别的观测值生成交叉表及可视化

核心计算逻辑 #

你需要先把字段拆分为两组：

• 互斥类别（种族）：white、hispanic、asian
• 非互斥类别（国籍）：usa、canada、uk

循环计算的步骤如下：

1. 初始化计数矩阵，行对应种族、列对应国籍，初始值全为0
2. 逐行遍历所有观测数据：
   • 先匹配当前观测的唯一归属种族：遍历种族字段，找到值为1的字段作为当前行的种族标签
   • 再遍历所有国籍字段：如果当前国籍字段值为1，就给对应[种族][国籍]的计数位加1
3. 补充百分比与合计值：
   • 行合计：每个种族对应的所有国籍计数求和，得到该种族总人数
   • 列合计：每个国籍对应的所有种族计数求和，得到该国籍总人数
   • 单元格百分比 = 当前单元格计数 / 对应列合计 * 100，保留整数即可

Python 代码示例 #

这里先给出纯循环实现的版本，也附了更简洁的pandas实现供参考：

import pandas as pd

# 样例数据导入
data = pd.DataFrame([
    [1,0,1,0,1,0,1],
    [2,1,0,0,0,1,0],
    [3,0,0,1,1,0,1],
    [4,1,0,0,1,1,0],
    [5,0,1,0,0,0,1],
    [6,0,0,1,0,0,1]
], columns=["id","white","hispanic","asian","usa","canada","uk"])

race_cols = ["white", "hispanic", "asian"]
nation_cols = ["usa", "canada", "uk"]

# ---------- 纯循环实现 ----------
# 初始化计数表
count_table = {race: {nation:0 for nation in nation_cols} for race in race_cols}

for _, row in data.iterrows():
    # 匹配当前种族
    curr_race = [r for r in race_cols if row[r] == 1][0]
    # 遍历国籍累加
    for nation in nation_cols:
        if row[nation] == 1:
            count_table[curr_race][nation] += 1

# 计算合计与百分比
result = pd.DataFrame(count_table).T
col_total = result.sum(axis=0)
row_total = result.sum(axis=1)
# 格式化为要求的带百分比样式
for col in nation_cols:
    result[col] = result[col].apply(lambda x: f"{x} ({int(round(x/col_total[col]*100,0))}%)" if x>0 else "0")
result["total"] = row_total
result.loc["total"] = list(col_total) + [""]

print(result)

# ---------- 简化pandas实现（无需手写循环） ----------
# 先提取种族标签列
data["race"] = data[race_cols].idxmax(axis=1)
# 展开国籍多标签后生成交叉表
melted = data.melt(id_vars=["id", "race"], value_vars=nation_cols, var_name="nation", value_name="flag")
melted = melted[melted["flag"] == 1]
cross_final = pd.crosstab(melted["race"], melted["nation"], margins=True, margins_name="total")

针对这类互斥+非互斥类别交叉的数据，推荐三种可视化方案：

• 堆叠条形图：X轴设为国籍，Y轴设为人数，每个条形按种族拆分堆叠，可以直观看到每个国籍下的种族构成，兼容重复计数的统计逻辑
• 热力图：行设为种族、列设为国籍，颜色深浅对应单元格的计数或占比，能快速识别分布规律，比如哪类种族在哪个国籍的占比更高
• 分组条形图：X轴设为种族，每个种族下对应多个国籍的计数柱，适合对比不同种族的国籍分布差异

内容的提问来源于stack exchange，提问作者taylor