如何从二进制DataFrame中推导分析结果？附产品分类信息

Category A #

• X800818
• X822707
• X822708
• X870082
• X800810
• X800323
• X800835
• X893890
• X822541
• X800831

Category B #

• X830742
• X841223
• X841449
• X870138
• X810352
• X870146
• X800850
• X841236
• X811712
• X893314

Category C #

• X893609
• X890188
• X893313
• X841271
• X891250
• X811820
• X728538
• X727220
• X960804
• X728904

Category D #

• X727345
• X800875
• X727302
• X870426
• X729002
• X727300
• X759042
• X728495
• X897198
• X790190

嘿，先得明确你的二进制DataFrame的基础结构——比如行是不是代表某个样本（比如用户、订单、检测样本之类的），列是不是对应上面的产品编号，而0/1值代表「该样本是否包含这个产品」（比如1=拥有，0=没有）？如果是这个常见场景的话，咱们可以按下面的步骤来推导分析结果：

1. 先建立产品-分类的映射字典 #

首先把每个产品编号和它所属的分类绑定，这样能把DataFrame里的产品维度快速转换成分类维度，用Python pandas的代码示例如下：

import pandas as pd

# 构建产品-分类映射字典
product_category = {}

# 批量添加Category A的产品映射
category_a = ["X800818", "X822707", "X822708", "X870082", "X800810", "X800323", "X800835", "X893890", "X822541", "X800831"]
for p in category_a:
    product_category[p] = "Category A"

# 批量添加Category B的产品映射
category_b = ["X830742", "X841223", "X841449", "X870138", "X810352", "X870146", "X800850", "X841236", "X811712", "X893314"]
for p in category_b:
    product_category[p] = "Category B"

# 批量添加Category C的产品映射
category_c = ["X893609", "X890188", "X893313", "X841271", "X891250", "X811820", "X728538", "X727220", "X960804", "X728904"]
for p in category_c:
    product_category[p] = "Category C"

# 批量添加Category D的产品映射
category_d = ["X727345", "X800875", "X727302", "X870426", "X729002", "X727300", "X759042", "X728495", "X897198", "X790190"]
for p in category_d:
    product_category[p] = "Category D"

2. 基础统计分析：分类层面的覆盖情况 #

2.1 每个样本的分类持有情况 #

计算每个样本拥有多少个不同分类的产品，或者具体拥有哪些分类：

# 假设你的二进制DataFrame名为df，列是产品编号
# 按分类分组，计算每个分类下是否有至少一个产品为1（即该样本拥有该分类的产品）
category_df = df.groupby(product_category, axis=1).max()
# 现在category_df的列就是Category A/B/C/D，值为0/1，表示样本是否拥有对应分类的产品

# 计算每个样本拥有的分类数量
category_df['total_categories'] = category_df.sum(axis=1)

通过这个结果，你能看到样本的产品覆盖广度分布——比如有多少样本只拥有1个分类的产品，多少样本同时持有3个分类的产品。

2.2 分类的整体流行度 #

统计各分类的用户/样本覆盖占比，或者产品总拥有次数：

# 各分类的样本拥有占比（百分比）
category_popularity = category_df.mean() * 100
print("各分类拥有样本占比：\n", category_popularity)

# 各分类下产品的总拥有次数（所有样本中该分类产品被持有的总次数）
category_total_counts = df.groupby(product_category, axis=1).sum().sum()
print("各分类产品总拥有次数：\n", category_total_counts)

3. 关联分析：分类之间的相关性 #

想知道哪些分类经常被同时拥有？可以用相关性分析或交叉统计：

# 计算分类之间的皮尔逊相关系数，看分类间的关联程度
category_corr = category_df.corr()
print("分类间相关性：\n", category_corr)

# 统计同时拥有A和B类产品的样本占比
a_and_b_ratio = category_df[(category_df['Category A'] == 1) & (category_df['Category B'] == 1)].shape[0] / category_df.shape[0] * 100
print(f"同时拥有A和B类产品的样本占比：{a_and_b_ratio:.2f}%")

4. 进阶分析：根据分类分布做细分 #

如果你的DataFrame有对应标签（比如用户消费等级、样本检测结果），可以分析分类与标签的关联：

# 假设df有一个标签列'label'，比如'高价值'/'低价值'
# 查看不同标签下的分类拥有差异
label_category_stats = category_df.groupby(df['label']).mean() * 100
print("不同标签下的分类拥有占比：\n", label_category_stats)

如果没有标签，也可以用K-Means等聚类算法，把样本按分类分布分成不同群体，挖掘各群体的分类偏好。

内容的提问来源于stack exchange，提问作者BS.Mira