Disculpas si me han preguntado algo similar antes, busqué pero no pude encontrar una solución.
Mi conjunto de datos se parece a eso
data1 = {'Group':['Winner','Winner','Winner','Loser','Loser','Loser'],
'MathStudy': ['Read','Read','Notes','Cheat','Cheat','Read'],
'ScienceStudy': ['Notes','Read','Cheat','Cheat','Read','Notes']}
df1 = pd.DataFrame(data=data1)
Me gustaría obtener un% del total de cada categoría para cada grupo, como se muestra a continuación. En mi conjunto de datos, la cantidad de ganadores y perdedores cambia, por lo que se agradece una solución flexible. 
¡Gracias de antemano!
3 respuestas
Utilice DataFrame.melt con crosstab y { Parámetro {X2}}:
df1 = df1.melt('Group', var_name='Type')
df2 = pd.crosstab([df1['Group'], df1['Type']], df1['value'], normalize=0)
print (df2)
value Cheat Notes Read
Group Type
Loser MathStudy 0.666667 0.000000 0.333333
ScienceStudy 0.333333 0.333333 0.333333
Winner MathStudy 0.000000 0.333333 0.666667
ScienceStudy 0.333333 0.333333 0.333333
Por último, si es necesario MultiIndex a las columnas con eliminar value nombre de la columna, agregue DataFrame.rename_axis con DataFrame.reset_index:
df2 = df2.rename_axis(columns=None).reset_index()
print (df2)
Group Type Cheat Notes Read
0 Loser MathStudy 0.666667 0.000000 0.333333
1 Loser ScienceStudy 0.333333 0.333333 0.333333
2 Winner MathStudy 0.000000 0.333333 0.666667
3 Winner ScienceStudy 0.333333 0.333333 0.333333
La solución de @jezrael es intuitiva y lo que haría yo de primera mano. Sin embargo, aprendí recientemente que melt generalmente tiene un desempeño deficiente. Aquí hay una alternativa si el rendimiento es importante, p. Ej. en códigos que se utilizan repetidamente:
g = df1.groupby('Group')
cols = ['MathStudy', 'ScienceStudy']
out = (pd.concat({col:g[col].value_counts(normalize=True) for col in cols})
.unstack(level=-1, fill_value=0)
)
Con tiempo de ejecución:
2.9 ms ± 96.8 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
En comparación con el enfoque melt:
9.44 ms ± 261 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
Salida:
Cheat Notes Read
MathStudy Loser 0.666667 0.000000 0.333333
Winner 0.000000 0.333333 0.666667
ScienceStudy Loser 0.333333 0.333333 0.333333
Winner 0.333333 0.333333 0.333333
Nota : pd.crosstab es esencialmente groupby() con algo de contabilidad adicional. Y groupby en dos columnas suele ser mucho más lento.
Aquí hay otra alternativa:
g = df.set_index('Group').stack().str.get_dummies().groupby(level=[0,1]).sum()
g.div(g.sum(axis=1),axis=0).round(2)