交叉表图表也称为文本表，以文本形式显示数据。

交叉表图表采用一个或多个维度以及一个或多个度量。此图表还可以显示度量字段值的不同计算，例如总百分比，运行总计等。

例如，如果要查找每个区域中每个细分的销售数量，请考虑数据源：Sample-Superstore。要使用下面的可用订单日期显示每年的数据，请参阅创建交叉表图表的一些步骤。

第1步：将维度订单日期拖到列架中。

第2步：此外，将维度Region和Segment 拖动到行架子中。

第3步：将度量Sales 拖到“标记(Labels)”窗格下的“标签(Marks)”功能区中。

下面的屏幕截图显示了交叉表图表。



在交叉表图表中，可以通过将“销售(Sales)”字段拖放到“颜色”工具架中来获取编码的颜色值。

颜色编码根据度量值显示颜色强度。最高值具有较暗的颜色阴影，较小的值具有较浅的颜色阴影，如下面的屏幕截图所示：



此外，除了颜色编码之外，还可以将计算应用于度量值。

例如，可以应用计算来查找每行中的销售总额百分比，而不仅仅是“销售(Sales)”字段。

1.右键单击“标记(Marks)”功能区中的“销售(Sales)”字段。

2.然后选择“添加表计算(Add Table Calculation)”选项。



3.打开“表计算(Table Calculation)”窗口。

4.然后，选择“总计百分比(Percent of Total)”选项作为计算类型，选择“表格(交叉)”选项作为计算使用。



完成上述步骤后，将获得使用百分比值创建的交叉表图表，如下面的屏幕截图所示：





 

文章目录
一、探索性数据分析EDA
二、数据分析图表的选择

一、探索性数据分析EDA
探索性数据分析(Exploratory Data Analysis，简称EDA)，指对数据分析的过程中尽量不加入先验假设，而是通过作图表和统计等方式来探索数据结构和规律。

在EDA中你可以构思各种各样的假设，并通过数据分析去寻找相应的反馈，以此迭代来寻找到数据集中分布的规律。在探索的过程中会随着不断的深入对数据理解更加深刻。

EDA的流程如下：提出问题；筛选、清洗数据；分析数据；构建模型；得出结论。

EDA的过程与数据挖掘的流程不谋而合，特征是否起作用需要具体的分析和验证。从数据本身出发去寻找合适的特征。

在数据竞赛中，使用EDA完成数据分析的过程如下：

读取并分析数据质量；
探索性分析每个变量：

变量是什么类型；

变量是否有缺失值；

变量是否有异常值；

变量是否有重复值；

变量是否均匀；

变量是否需要转换；
探索性分析变量与target标签的关系：

变量与标签是否存在相关性；

变量与标签是否存在业务逻辑；
探索性分析变量之间的关系：

1）连续型变量与连续型变量;

可视化：散点图、相关性热力图；皮尔逊系数；互信息；

2）离散变量与离散变量；

可视化：柱状图、饼图、分组表；卡方检验；

3）检查变量之间的正态性；直方图；箱线图；Quantile-Quantile (QQ图)；

根据EDA我们可以得出以下结论：变量是否需要筛选、替换和清洗；变量是否需要转换；变量之间是否需要交叉；变量是否需要采样；
二、数据分析图表的选择
可视化目的：比较/趋势/组成/联系/分布；

可视化变量类型：数值/日期/类别/经纬度；

可视化维度：分布/趋势；

我们在进行数据分析的时候，大部分时间都在使用趋势分析、比较分析、细分分析这三类方法，但其实还有一个方法我们也会经常使用——交叉分析，尤其是在排查数据异常的问题时，交叉分析就能展现其强大的威力。另外要跟大家说声抱歉的是博客的更新频率可能没有那么频繁了，但是尽量每个月至少能发布一篇，希望文章的质量有所保证，还是欢迎大家留言讨论，能够发起一些有趣的话题，一起拓展在网站数据分析方面的思路。

什么是交叉分析？ 

　　交叉分析是指对数据在不同维度进行交叉展现，进行多角度结合分析的方法，弥补了独立维度进行分析没法发现的一些问题。

　　交叉分析以多维模型和数据立方为基础，也可以认为是一种特殊的细分方式，但跟细分的概念有点差异，如果有兴趣可以先阅读下之前的文章——数据立方体与OLAP。细分的方法更多的是基于同一维度的纵深展开，也就是OLAP中的钻取（Drill-down），比如从月汇总的数据细分来看每天的数据，就是在时间维度上的细分，或者从省份的数据细分查看省份中各城市的数据，是基于地域维的下钻。交叉分析不再局限于一个维度，就像数据立方体与OLAP文章中的立方体，是基于不同维度的交叉，时间维、地域维和产品维交叉在一起分析每个小立方的数据表现，可以通过OLAP的切片（Slice）和切块（Dice）操作查看例如上海市在3月份的电子产品的销售情况，这会帮助我们发现很多在单个维度中无法发现的问题。所以，交叉分析是基于不同维度横向地组合交叉，而不是细分在同一维度的纵向展开。

交叉分析的展现形式

　　交叉分析涉及多维度的组合，虽然图表和表格都可以进行展现，但因为图表所能表达的数据有限，且比较不容易把多个维度的交叉关系展现出来，在交叉分析中不太常用，通常以表格为主。我们平常在看的表格通常被叫做二维表，一般第一列放置一个维度，如日期，表头罗列各类指标（其实所有指标也可以被认为是一种特殊的维度——指标维），这样行列的两个维就组成了最常见的二维表。二维表可以进行扩展，进而展现更加丰富的维度：



　　如上图就是典型的基于表格的多维度交叉分析的布局，在行列中分层次放置多个维度，如果我们只显示一个指标，那么这里的指标维就没有显示的必要了。其实Excel的数据透视表（Pivot Table）就是交叉分析的利器，我在数据的报表和报告这篇文章中提到过数据透视表，这里还是基于那篇文章截图的原始数据，如果我们将各维度按照上面的布局形式进行展现的话，会是怎么样的效果： 



　　看起来还不错，显示的信息非常丰富，左边包含了以天为单位时间维和产品维，可以使用展开按钮进行汇总和展开，就像是细分的操作；上面的表头部分分两层罗列了地域维和指标维，Excel的透视表提供了丰富的设置，默认展现基于各个维度的汇总数据，让我们可以从“总-分”的角度观察数据，这对数据分析非常有用。假如我们使用上面的透视表进行交叉分析发现数据是否存在异常？

　　使用从总体到细节的分析方法，首先可以从查看每天销售额和转化率的汇总数据开始，折叠产品维之后观察最右侧的指标汇总列就可以看到每日汇总数据；如果某一天的销售额或转化率出现了大幅的下滑，我们就可以结合各种维度寻找问题的原因，就是基于各种维度的细节数据，展开产品维观察当天的哪类产品销售出现了问题，然后结合地域维的交叉数据，可以定位哪类商品在哪个省份的销售出现了问题，这样就有效地将问题定位到了细节的层面，能够更好地发现问题，进而解决问题。所以交叉分析其实正是体现了分析“分而析之”的本意。

　　上面的方法一般是比较常用的基于问题的分析方法，但我们很少可以一次就定位到问题，往往我们会根据推测多次查询数据库或查看Dashboard上的各类报表来定位问题。而结合透视表的交叉分析，我们使用一张报表就快速地定位了问题所在，从总体到细节，逻辑非常清晰，问题的定位也非常准确和到位，所以合理地利用交叉分析可以帮助我们更加高效地排查问题。

交叉分析的基础

　　这里不得不再说一下交叉分析基于的底层基础数据模型，因为如果没有设计好底层的数据模型，上层的交叉分析是很难实现的，或者多维的交叉受到限制而使分析存在局限性。

　　从技术层面来看，交叉分析基于多维模型，数据的维度越丰富，所能实现的交叉也越丰富和灵活，通过各种交叉分析能够更加有效地发现问题；但相应的，如果要尽可能地丰富各维度的交叉分析，对基层模型的要求也就越高。所以如何设计好数据的底层模型非常关键，还是引用数据立方体与OLAP文中的那个数据立方看个简单的例子：



　　如果一张网站分析的报表只包含以月度为单位的日期维和相应的指标，那么数据的存储就是每个月一条记录，但显然这种高度聚合的数据不利于分析，我们需要构建如上图的数据立方体来获取更加细节的数据。用数据立方来拓展数据细节有两种方向，一类是纵深拓展，也就是基于一个维度的细分，比如将一个月细分到每一天，那么一条记录将会被拓展成30条；还有一种是横向的拓展，就是多个维度的交叉，就像上面立方中添加了产品维和地域维。这样存储的数据就从原本单一的时间维度扩展成了时间、产品和地域三个维度，也就是三维立方体所能展现的形式，当然维度可以继续扩展，四个五个直到N个，理论上都是可行的，这里只要以三个维度进行举例就可以。对于数据存储而言，横向的拓展与纵深拓展的影响是一样的，记录数都是以倍乘的方式增长，假设这里产品维是产品大类，有20个产品大类，再加上32个省份或直辖市，那么经过纵深和横向拓展之后，原先每月的1条记录就变成了：


1 × 30 × 20 × 32  =  19200


　　而我们在构建多维模型的时候很多维度中包含的数据量绝对不像上面例举的那么小，想象一下网站的商品或者页面的数量可能是成百上千甚至成千上万的，那么一旦以倍乘的形式扩展之后，数据量就会一下子剧增。虽然丰富的多维立方能够给分析带来便利，但也同时给数据的存储和查询带来的压力。

　　所以，更加丰富和灵活的分析需求的实现基于更加复杂的多维模型或者数据立方，同时会带来更大的系统开销。Google Analytics很好地权衡了灵活的数据分析与复杂数据模型之间的关系，这也是Google Analytics强大功能的基本保障，GA的高级细分（Advanced Segments）和自定义Dashboard是其他同类免费网站分析工具所无法比拟的，这也正是为什么我们将GA划分到网站数据分析工具，而其他的大部分只能算作网站数据统计工具的原因。而GA正是基于其构建的强大的底层数据模型和高效的数据计算和响应能力，使很多分析功能可以得到扩展，其中很多就涉及交叉分析，这里截图了其中的两个功能，Secondary Dimension和Pivot：



　　Google Analytics新版本增加了很多令人心动的功能，Secondary dimension的功能从老版本得到了延续，上图在Content模块的Page报表中选择了流量来源作为第二维度，这样我们就可以查看每个页面的流量是从何而来，每个流量来源在该页面的数据表现，同时可能还可以发现一些有趣的现象，比如某些页面的流量基本都是一个来源带来的，比如我的博客的某些文章基本都是通过搜索引擎进来的，而另外一些文章基本通过直接流量带来。



　　在GA的各类报表中可以在右上角选择展现的形式，最后的一种就是Pivot，Pivot的形式对表格的表头进行了扩展，可以分层次放置另外的维度，如上图还是使用了页面与流量来源的交叉，将Source维度放到了指标的上方。同时GA支持在两个维度的基础上最多选择两个度量Metric，我这里选择了Pageviews和Bounce Rate，来衡量每个页面中各类流量来源所带来的“量”和“质”，同样对于分析非常有价值。

　　多维的交叉分析我们在日常中潜移默化地经常会用到，交叉分析对于问题的排查和定位额外有效，所以我们需要想办法用更好的形式去展现数据，以便于更有利于进行交叉分析，其实这里介绍的透视表的方式是最常用的，也是比较好用的，但这类方式太少，不知道大家有没有其他更加有效的交叉分析展现方式。

欢迎关注技术公众号：架构师成长营



 

Python交叉分析学习笔记
本文将介绍两种方法来进行交叉分析：1.独立T检验  2.数据透视表。

数据源：百度网盘，课程来源：慕课网
数据源
共包括10个变量，如下：satisfaction_level（满意度）,last_evaluation（上司评价）,number_project（项目数量）,average_monthly_hours（每月工作市场）,time_spend_company（在公司的时间）,Work_accident（工作事故）,left（离职率）,promotion_last_5years（五年内是否晋升）,department（部门）,salary（工资高低）。
方法1：独立T检验
任意取数据中的两个属性，根据独立T检验结果，判断两者之间的关系。
1.导入数据
df=pd.read_csv(r'C:\Users\me\Desktop\HR.csv')
#‘r’在这里起转置作用

2.引入必要的模块
import pandas as pd
import numpy as np
import scipy.stats as ss
import matplotlib.pyplot as plt
import seaborn as sns

3.数据清理
（1）去掉空值
df=df.dropna(how='any',axis=0)
#axis=0表示删除整行的数据，how=‘any’表示只要这一行有一个空值就需要删除整行

（2）去掉异常值
df=df[df['last_evaluation']<=1][df['salary']!='nme'][df['department']!='sale']
#根据异常值的判断，‘last_evaluation’应小于1，‘salary’应去掉‘nme’这个值，‘department’应去掉‘sale’这个值

4.判断各个部门的离职率是否存在差异
基本思路是对各个部门的离职分别，两两求T检验统计量，得出p值，目的是得到各个部门的离职分布。
dp_indices=df.groupby(by='department').indices
#基于‘department’分组，并得到索引
sales_values=df['left'].iloc[dp_indices['sales']].values
#取出‘sales’部门的值
technical_values=df['left'].iloc[dp_indices['technical']].values
#取出‘technical’部门的值
print(ss.ttest_ind(sales_values,technical_values)[1])
#输出T检验统计量，‘[1]’索引表示只取p值

5.两两变量间求p值
dp_keys=list(dp_indices.keys())
#取出indices的key，注意python3中需要加list才能变成数组
dp_t_mat=np.zeros([len(dp_keys),len(dp_keys)])
#建立矩阵，长和宽均为dp_keys的长度
for i in range(len(dp_keys)):
    for j in range(len(dp_keys)):
        p_value=ss.ttest_ind(df['left'].iloc[dp_indices[dp_keys[i]]].values,
        df['left'].iloc[dp_indices[dp_keys[j]]].values)[1] #求独立T检验值
        if p_value<0.05:
            dp_t_mat[i][j]=-1 #判断条件，p<0.05，直接赋值-1
        else:
            dp_t_mat[i][j]=p_value #对矩阵进行赋值
sns.heatmap(dp_t_mat,xticklabels=dp_keys,yticklabels=dp_keys)
#画热力图

得出图表如下：

黑色部分代表p<0.5，表明各部门之间的离职率存在着显著差异，其他颜色部分代表未存在显著差异。
方法2：数据透视表方法
piv_tb=pd.pivot_table(df,values='left',index=['promotion_last_5years','salary'],
                      columns=['Work_accident'],aggfunc=np.mean) 
#建立数据透视表，值为‘left’,横坐标为‘promotion_last_5years’和‘salary’，聚合方法为mean

得到的透视表如下：



行promotion_last_5years代表过去五年是否有晋升，0代表否，1代表是；列Work_accident代表是否有工作事故，0代表没有，1代表有，0.331728这个值比较大，需要重点关注，这个值表明过去五年没有工作事故，也没有晋升，但salary（工资）较低的这类人可能离职率更高。

下面根据数据透视表画热力图
sns.heatmap(piv_tb,vmin=0,vmax=1,cmap=sns.color_palette('Reds',n_colors=256)) 
#指定最小值为0，最大值为1，用seaborn中color_palette进行调色，代码详见seaborn官网
plt.show()

图表如下：

如上图所示，颜色越深的部分，离职率越高。