Pandas交叉表与Pandas pivot_表有何不同？

pandas.crosstab和pandas pivot表似乎提供了完全相同的功能。有什么不同吗？

如果使用的是

aggfunc=len

和

fill\u value=0

，是否相同：

pd.crosstab(df['Col X'], df['Col Y'])
pd.pivot_table(df, index=['Col X'], columns=['Col Y'], aggfunc=len, fill_value=0)

编辑：还有更多区别：

默认值

aggfunc

不同：-

np.mean

，-

len

参数

margins\u name

仅在

pivot\u表中

在

pivot\u表中

您可以使用

Grouper

作为

索引

和

列

关键字

---

---

我认为如果您只需要频率表，

交叉表

功能更好。

两者之间的主要区别在于

透视表

希望您的输入数据已经是一个数据帧；将数据帧传递给

pivot\u表

，并通过将列名作为字符串传递来指定

索引

/

列

/

值

。使用

交叉选项卡

，您不必输入数据帧，因为您只需为

索引

/

列

/

值传递类似数组的对象即可

查看for
交叉表
，它本质上是获取您传递的类似数组的对象，创建一个数据帧，然后根据需要调用
pivot\u表

通常，如果您已经有一个数据帧，请使用
pivot\u table
，这样您就不会有再次创建相同数据帧的额外开销。如果您从类似数组的对象开始，并且只关心数据透视，请使用
交叉表。在大多数情况下，我不认为您决定使用哪个函数会有什么区别。
不幸的是，
pivot\u表
没有
normalize
参数

在
交叉表
中，
normalize
参数通过将每个单元格除以单元格的总和来计算百分比，如下所述：


normalize='index'
将每个单元格除以其行的总和
normalize='columns'
将每个单元格除以其列的总和
normalize=True
将每个单元格除以表中所有单元格的总和
但是，对于交叉表函数，您似乎也可以使用
aggfunc
。pivot\u表具有更大的“分析”灵活性，例如填充NA值、添加小计等，但绝对要以更大的开销为代价，如上所述。关于开销，则正好相反（如果有任何性能差异的话），因为交叉表
首先创建了一个数据帧，然后。我对几个选项进行了计时，结果发现pivot_table比交叉表慢一个数量级，甚至比简单但笨拙的groupby方法慢一个数量级，