pandas.crosstab用于快速生成二维交叉频数表，支持行/列/整体归一化及边际汇总；三维及以上需用pivot_table；分类变量转category可提速5–10倍，NaN需显式填充才参与统计。
用 pandas.crosstab 快速生成二维交叉表
直接调用 pandas.crosstab 是最常用方式，它默认对两个分类变量做频数汇总。比如有 df['gender'] 和 df['region']，执行 pd.crosstab(df['gender'], df['region']) 就返回行列分别为 gender 和 region 的频数矩阵。
注意：输入必须是 Series 或长度一致的数组，传入 DataFrame 列时别加方括号套成二维（如 df[['gender']] 会报错 ValueError: arrays must all be same length）。
常见需求可直接通过参数满足：
-
normalize='index'计算行百分比（每行和为 1） -
normalize='columns'计算列百分比 -
normalize=True计算整体比例（所有单元格和为 1） -
margins=True自动添加行/列合计（即边际频率），结果中新增All行和列
扩展到三维及以上：用 pd.pivot_table 替代 crosstab
pandas.crosstab 最多只支持两个 index 变量（index 和 columns 参数），无法直接处理三个及以上维度。此时应切换到 pd.pivot_table，它更灵活且原生支持多维分组。
立即学习“Python免费学习笔记（深入）”；
例如要按 gender、region、age_group 三重分组统计人数：
pd.pivot_table(df,
index=['gender', 'region'],
columns='age_group',
aggfunc='size',
fill_value=0)
关键点：
-
aggfunc='size'等价于计数；若需其他统计量（如均值），可换为'mean'或自定义函数 -
fill_value=0避免出现NaN单元格（空组合默认不显式填充） - 想加边际合计？加上
margins=True—— 它会同时在行末、列末加All，但注意：三维 pivot_table 的 margins 是对最外层 index 和所有 columns 分别汇总，不是全维度总和
手动计算高维边际频率：用 groupby().size() + unstack()
当需要特定维度的边际（比如只要「gender × region」的合计，不管 age_group），靠 margins=True 可能不够精确，因为它的逻辑固定。更可控的方式是分步聚合：
先获取完整多维频数：
full = df.groupby(['gender', 'region', 'age_group']).size().unstack(fill_value=0)
再分别提取边际：
-
full.sum(level=['gender', 'region'])→ 压缩掉age_group维度，得二维边际 -
full.sum(level='gender')→ 按 gender 汇总所有 region 和 age_group -
full.sum().sum()→ 全局总计（标量）
这种方式优势在于：维度控制明确、可链式操作、兼容缺失组合（unstack(fill_value=0) 已处理），缺点是内存占用略高——尤其当原始数据稀疏但维度多时，unstack() 可能产生大量零值。
性能与类型陷阱：分类变量没设好会拖慢 5–10 倍
如果参与交叉分析的列是字符串类型且取值有限（如 status 仅有 'active'/'inactive'），务必提前转成 category 类型：
df['status'] = df['status'].astype('category')
原因：pandas 对 category 类型做 groupby/crosstab 时跳过排序和哈希推断，直接查表映射，实测在万级数据、5+分类水平下提速明显。反之，若留作 object 类型，不仅慢，还可能因隐式类型转换导致 crosstab 报 TypeError: unhashable type: 'list'（比如某单元格不小心存了 list）。
另一个易忽略点：crosstab 和 pivot_table 默认会自动排除 NaN，但如果你希望把缺失值当作一个独立类别统计，得先用 df.fillna({'col': 'MISSING'}) 显式替换，不能依赖 dropna=False —— 后者在 crosstab 中仅影响索引构建逻辑，不改变 NaN 的处理行为。
多维交叉本身不难，难的是让边际含义和实际业务口径对齐。别太依赖 margins=True 的“自动”结果，先手写一两条 groupby().size() 验证数值是否符合预期，再批量展开。
