Python 如何量化大熊猫的bin迁移？

我有两个相同数字的不同计算，我想研究从计算A迁移到B之后的bin迁移。是否有一个一行程序可以为我提供数据帧中两列bin之间迁移概率的矩阵？

例如：

这是一个数据帧：

A B 0 1 1 1 1 1 2 1 2 3 2 2 4 2 2 5 2 2 6 3 1 7 3 3 8 3 3

df=pd.DataFrame({
‘A’：[1.1,1.3,1,2.2,2.1,2.3,3,3.1,3.2]，
‘B’：[1.2,1.1,2.2,2.1,2,2.1,1.1,3.4,3.2]}）

我可以做一个简单的分类：

df['A']=np.floor（df['A']）.astype（int）
df['B']=np.floor（df['B']）.astype（int）

因此，考虑到这个数据帧：

A B 0 1 1 1 1 1 2 1 2 3 2 2 4 2 2 5 2 2 6 3 1 7 3 3 8 3 3 A B 0 1 1 1 1 1 2 1 2 3 2 2 4 2 2 5 2 2 6 3 1 7 3 3 8 3 3 我想建立这个矩阵：

1 2 3 --------------- 1| 2/3 1/3 0 2| 0 1 0 3| 1/3 0 2/3 1 2 3 --------------- 1| 2/3 1/3 0 2| 0 1 0 3| 1/3 0 2/3 我们可以看到，它显示了箱子之间的迁移概率（好的，“频率”）

• 1保持1的概率为2/3，变为2的概率为1/3
• 2保留2的概率为1
• 3变为1的概率为1/3，保持为3的概率为2/3

我可能可以手工计算迁移概率，但经验告诉我，总有一种“熊猫一号”可以更干净、更快地完成工作

方法将这两列视为变量，以在它们之间构建一个协同分解矩阵。那不是我要找的。我正在寻找值之间的相关性。

试试这个

df_confusion = pd.crosstab(df['A'], df['B'])/df['A'].nunique()

O/p:

---

试着看看Pysals对马尔可夫转移矩阵的实现：这是一条直线还是一条“半直线”？