Nivel 6 · Por qué se devuelve cada categoría

crosstab: una cuadrícula de recuentos a partir de dos columnas

pd.crosstab es un atajo para el pivot más común: contar con qué frecuencia ocurre cada par de valores. Le pasas las dos columnas directamente:

pd.crosstab(web_sessions["device"], web_sessions["converted"])
# converted  False  True
# device
# desktop    13978   563
# mobile     21029   520
# tablet      3800   110

El primer argumento pasa a ser las filas, el segundo las columnas. Los pares vacíos son 0, no NaN, porque un recuento de nada es cero. Es una función del módulo pandas (pd.crosstab), no un método de DataFrame, así que las columnas pueden incluso venir de tablas distintas siempre que sus filas se alineen.

normalize: cuotas en lugar de recuentos

Los recuentos brutos engañan cuando los grupos difieren en tamaño. Mobile tuvo 520 conversiones, cerca de las 563 de desktop, pero a partir de muchas más sesiones. El argumento normalize divide por un total:

• normalize="index": cada celda ÷ el total de su fila. Cada fila suma 1. “De las sesiones en mobile, ¿qué proporción convirtió?”
• normalize="columns": cada celda ÷ el total de su columna. Cada columna suma 1. “De las sesiones que convirtieron, ¿qué proporción fueron en mobile?”
• normalize=True (o "all"): cada celda ÷ el total general.

pd.crosstab(web_sessions["device"], web_sessions["converted"], normalize="index").round(3)
# converted  False   True
# desktop    0.961  0.039
# mobile     0.976  0.024
# tablet     0.972  0.028

Desktop convierte al 3,9 % frente al 2,4 % de mobile: la cuota cuenta la historia que los recuentos ocultaban.

Elegir la dirección

Di la pregunta en voz alta y escucha el “de”. “De las devoluciones de cada categoría, ¿qué proporción es damaged?” divide por el total de la categoría (fila). “De todas las devoluciones damaged, ¿qué proporción es Furniture?” divide por el total del motivo (columna). Las dos dan números distintos a partir de los mismos recuentos, y ambas son respuestas correctas a preguntas distintas.

margins=True añade una fila y una columna All con los totales, que es una forma rápida de comprobar los recuentos antes de normalizar: en los datos de devoluciones el total general es 1.673, todas las devoluciones de la tabla.

Obtener la categoría

Las devoluciones no llevan una categoría. Cada devolución apunta a una línea de pedido (order_item_id), la línea apunta a un producto, y el producto tiene la categoría. Dos merges la traen, y como cada devolución coincide con exactamente una línea y cada línea con un producto, el número de filas se mantiene en 1.673.

Errores comunes

• Normalizar en la dirección equivocada. Las filas suman 1 con "index", las columnas con "columns".
• Comparar recuentos brutos entre grupos de tamaños muy distintos.
• Pasar nombres de columna como cadenas, pd.crosstab("category", "reason"). crosstab recibe las columnas mismas, no sus nombres.
• Informar cuotas sin los recuentos en que se apoyan. El 45,6 % de damaged de Furniture se apoya en solo 103 devoluciones; dilo.