使用Python Pandas处理多响应集交叉分析

Q2_1    Q2_2    Q2_3       Q3
Na loja Email   Folheto    Sim
Na loja                    Não
Na loja Email              Sim
                Folheto    Sim

import io
import pandas as pd

# 示例数据
data = '''Q2_1,Q2_2,Q2_3,Q3
Na loja,Email,Folheto,Sim
Na loja,,,Não
Na loja,Email,,Sim
,,Folheto,Sim'''

df = pd.read_csv(io.StringIO(data), sep=',', engine='python')

# 使用melt函数将多响应列转换为长格式
# id_vars: 保持不变的列（在这里是用于交叉分析的Q3）
# value_vars: 需要重塑的多响应列
# dropna=True: 移除因原始数据中空值产生的NaN行，确保只统计实际选择的响应
dfm = df.melt(id_vars=['Q3'], value_vars=['Q2_1' ,'Q2_2', 'Q2_3'], value_name='Response')
dfm = dfm.drop('variable' , axis=1).dropna(subset=['Response']) # 'variable'列是原始列名，我们不需要它

print("重塑后的数据框 (dfm):")
print(dfm)

     Q3 Response
0   Sim  Na loja
1   Não  Na loja
2   Sim  Na loja
4   Sim    Email
5   Sim    Email
7   Sim  Folheto
8   Sim  Folheto

# 计算列百分比
# 首先复制绝对计数表，避免修改原始数据
dff_pct = dff.copy()

# 提取需要计算百分比的列（排除多响应选项列）
value_cols = [col for col in dff_pct.columns if col != '多响应选项']

for col in value_cols:
    if dff_pct[col].sum() > 0: # 避免除以零
        dff_pct[col] = dff_pct[col] / dff_pct[col].sum() * 100
    else:
        dff_pct[col] = 0 # 如果列总和为0，则所有百分比也为0

print("\n最终交叉表 (列百分比):")
print(dff_pct.round(2)) # 保留两位小数

  多响应选项    Não    Sim
0    Email    0.0  40.0
1  Folheto    0.0  40.0
2  Na loja  100.0  40.0

def create_multiple_response_crosstab(df, multiple_response_cols, crosstab_col, output_type='absolute'):
    """
    生成多响应集与另一个变量的交叉表。

    参数:
    df (pd.DataFrame): 原始数据集。
    multiple_response_cols (list): 构成多响应集的列名列表。
    crosstab_col (str): 用于交叉分析的列名（可以是单选或多选）。
    output_type (str): 输出类型，'absolute' 为绝对计数，'percentage' 为列百分比。

    返回:
    pd.DataFrame: 生成的交叉表。
    """

    # 检查crosstab_col是否存在
    if crosstab_col not in df.columns:
        raise ValueError(f"交叉分析列 '{crosstab_col}' 不存在于数据框中。")

    # 检查multiple_response_cols中的列是否存在
    for col in multiple_response_cols:
        if col not in df.columns:
            raise ValueError(f"多响应列 '{col}' 不存在于数据框中。")

    # 1. 数据重塑 (melt)
    # 将多响应列和交叉列一起melt，如果交叉列本身也是多响应，则需要先处理它
    # 为了简化，我们假设crosstab_col是单选列。
    # 如果crosstab_col也是多响应，需要更复杂的双重melt或预处理。
    df_melted = df.melt(id_vars=[crosstab_col], 
                        value_vars=multiple_response_cols, 
                        value_name='Response').drop('variable', axis=1)
    df_melted = df_melted.dropna(subset=['Response'])

    # 2. 分组聚合
    df_grouped = df_melted.groupby(['Response', crosstab_col]).agg(count=('Response', 'count')).reset_index()

    # 3. 透视表
    crosstab_df = pd.pivot_table(df_grouped, 
                                 values='count', 
                                 index=['Response'], 
                                 columns=[crosstab_col], 
                                 aggfunc="sum", 
                                 fill_value=0).reset_index()
    crosstab_df.columns.name = None # 清除列名层级
    crosstab_df = crosstab_df.rename(columns={'Response': '多响应选项'})

    # 4. 计算百分比（如果需要）
    if output_type == 'percentage':
        # 提取需要计算百分比的列
        value_cols = [col for col in crosstab_df.columns if col != '多响应选项']
        for col in value_cols:
            col_sum = crosstab_df[col].sum()
            if col_sum > 0:
                crosstab_df[col] = crosstab_df[col] / col_sum * 100
            else:
                crosstab_df[col] = 0
        return crosstab_df.round(2)
    elif output_type == 'absolute':
        return crosstab_df
    else:
        raise ValueError("output_type 必须是 'absolute' 或 'percentage'。")

# 示例使用函数
multiple_response_cols = ['Q2_1', 'Q2_2', 'Q2_3']
crosstab_variable = 'Q3'

# 获取绝对计数
absolute_crosstab = create_multiple_response_crosstab(df, multiple_response_cols, crosstab_variable, output_type='absolute')
print("\n使用函数生成的绝对计数交叉表:")
print(absolute_crosstab)

# 获取列百分比
percentage_crosstab = create_multiple_response_crosstab(df, multiple_response_cols, crosstab_variable, output_type='percentage')
print("\n使用函数生成的列百分比交叉表:")
print(percentage_crosstab)