1

Quiero realizar una tabla de frecuencias de mi data frame, de tal manera, que en los datos de género (escrita como RIAGENDR) solo seleccione a las mujeres (designadas como 2, hombres como 1) y cuente el número de observaciones en una variable designada como DMDMARTL (estado civil: 1 ==> casada, 2 ==> viuda, 3 ==> divorciada, 4 ==> separada, 5 ==> nunca se casó, 6 == > viviendo con pareja).

Mi da.head() es el siguiente: introducir la descripción de la imagen aquí

El data frame está disponible en:https://www.kaggle.com/ramendrapandey/nhanes-2015-2016

Mi código para seleccionar las variables de mi data frame (RIAGENDR y DMDMARTL) y hacer el conteo de frecuencias (en el caso de RIAGENDR (género) solo seleccionar a las mujeres (2)) es el siguiente:


pd.crosstab(index = da["RIAGENDR"] == 2, columns = da["DMDMARTL"])


Con ese código me muestra lo siguiente:

DMDMARTL 1.0 2.0 3.0 4.0 5.0 6.0
RIAGENDR
False 1477 100 229 68 484 265
True 1303 296 350 118 520 262

Intuyo que True es el valor 2 (mujer) y el False corresponde a 1(hombre). Sin embargo, deseo que en vez de esos valores booleanos me muestre el número 2 y sus respectivos valores en cada categoria de la variable DMDMARTL(estado civil). ¿Cómo podría modificar mi código para que haga lo mencionado?

2
  • ¿Podrías mostrar parte del dataframe de entrada da para ver qué valores toman las filas y columnas y así entender de dónde salen esos False y True?
    – abulafia
    Commented el 13 ene. 2022 a las 7:51
  • Edité la publicación. También dejé el link del dataframe. Se puede ver en Kaggle. Commented el 13 ene. 2022 a las 8:41

1 respuesta 1

1

Si lo que buscas es solo para el caso de las mujeres, eso se puede obtener de forma más simple. Basta seleccionar (usando .loc[]) todas las filas en las que "RIAGENDR" valga 2, y la columna "DMDMARTL", para aplicarle a esa selección la operación .value_counts()

Así:

da.loc[da["RIAGENDR"]==2, "DMDMARTL"].value_counts().sort_index()

y eso produce el resultado:

DMDMARTL
1 1303
2 296
3 350
4 118
5 520
6 262
77 1

(por cierto que en el dataframe que he bajado de Kaggle parece haber un caso en el que DMDMARTL toma el valor 77)

Usando crosstab

Si prefieres hacerlo con crosstab, porque quieres obtener los contadores tantopara hombres como para mujeres, lo que te ocurría es que estás usando como índice del resultado un booleano que es True cuando RIAGENDR es 2 y False cuando es distinto de 2, debido a que haces da["RIAGENDR"]==2 y esa comparación sale True o False elemento a elemento.

Para obtener en cambio directamente 1 y 2, basta que no hagas ninguna comparación, sino que uses como índice los valores de la columna "RIAGENDR":

pd.crosstab(index = da["RIAGENDR"], columns = da["DMDMARTL"])

Y el resultado es ahora:

DMDMARTL 1.0 2.0 3.0 4.0 5.0 6.0 77.0
RIAGENDR
1 1477 100 229 68 484 265 1
2 1303 296 350 118 520 262 1
4
  • Muchas gracias por la ayuda! En efecto, con .loc[] es la mejor solución a lo que buscaba. Solo me surge una duda. Puedes seleccionar múltiples variables o es mejor usar groupby. Por ejemplo, si seleccionas la variable RIDAGEYR (variable de edades) y defines un intervalo para saber el número de frecuencia que se encuentra en DMDMARTL: da.loc[((da["RIDAGEYR"] >= 30) & (da["RIDAGEYR"] <= 40), "DMDMARTL")].value_counts().sort_index() ¿también se podría agregar un género específico? Es decir, el cuantas mujeres u hombres se observan en el intervalo definido en cada una de las categorías DMDMART Commented el 14 ene. 2022 a las 6:54
  • No veo nada malo en poner varias condiciones para seleccionar rangos de edades (aunque creo que has puesto unos paréntesis de más alrededor de todo lo que va en el .loc[]). Pero para lo segundo que preguntas ¿no es esa precisamente la salida obtenida con crosstab? ¿O te refieres a combinar condiciones de rangos de edades y condiciones de un género concreto? Sí, eso también podría hacerse a base de &.
    – abulafia
    Commented el 14 ene. 2022 a las 8:23
  • Me refiero a combinar condiciones de rangos de edades y condiciones de género (por ejemplo, solo mujeres). Tipo: da.loc[((da["RIDAGEYR"] >= 30) & (da["RIDAGEYR"] <= 40), "DMDMARTL", ["RIAGENDR"] ==2)].value_counts().sort_index() . Aunque esta mal la sintaxis. Por otra parte, el código: da.loc[((da["RIDAGEYR"] >= 30) & (da["RIDAGEYR"] <= 40), "DMDMARTL")].value_counts().sort_index(). sí me corre. Selecciona a las personas entre 30 y 40, tanto a hombres como mujeres y su estado civil. Al momento de querer indicar un género específico es cuando me dice "Too many indexers". Commented el 14 ene. 2022 a las 18:25
  • 1
    Porque todas las condiciones que quieras aplicar van en la primera parte, antes de la coma. Sería así: da.loc[(da["RIDAGEYR"] >= 30) & (da["RIDAGEYR"] <= 40 & (da["RIAGENDR"]==2), "DMDMARTL"].value_counts().sort_index(). La primera parte, hasta la coma, selecciona qué filas de da se usarán (las que cumplan la expresión booleana). La segunda parte, después de la coma, selecciona con qué columnas te quedarás para aplicar .value_counts().
    – abulafia
    Commented el 14 ene. 2022 a las 18:34

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.