Frekans Tabloları ve Çapraz Tablolar (Crosstabs)
Sayısal verilerde ortalama, medyan ve standart sapma var. Peki şehir, cihaz tipi, ödeme yöntemi gibi kategorik sütunları nasıl özetlersin? Kategorik bir sütunun ortalaması olmaz ama sayımı olur. İşte frekans tabloları bu işe yarar.
Çapraz tablolar ise bir adım ileri gidip iki kategorik değişkeni birlikte inceler. Veri analizinin en az gösterişli ama en çok iş gören araçlarından biridir.
Frekans Tablosu
Bir değişkenin her kategorisinin kaç kez göründüğünü gösterir. Tipik bir frekans tablosunda dört sütun bulunur:
- Frekans (f): Kategorideki gözlem sayısı
- Bağıl frekans: f / n (oran)
- Yüzde: Bağıl frekans × 100
- Kümülatif yüzde: Kategorilere kadar biriken yüzde (sıralı veride anlamlıdır)
Neden Önemli?
- Veriyi tanımanın ilk adımıdır. Bir kategorinin %2’lik bir pay taşıdığını görmek, modelleme kararını etkiler.
- Dengesiz sınıfları ortaya çıkarır. Hedef değişkende %96/%4 dağılım varsa Ders 1’deki gibi tuzaklara karşı uyanık olursun.
- Yazım hatalarını yakalar. “İstanbul”, “istanbul” ve “Istanbul ” üç ayrı kategori olarak görünür.
- Nadir kategorileri birleştirme kararına yardımcı olur.
Python ile Frekans Tablosu
import pandas as pd
df = pd.DataFrame({
"cihaz": ["mobil", "masaüstü", "mobil", "tablet", "mobil",
"masaüstü", "mobil", "mobil", "tablet", "mobil"],
"satin_aldi": ["evet", "hayır", "hayır", "hayır", "evet",
"evet", "hayır", "evet", "hayır", "hayır"]
})
frekans = df["cihaz"].value_counts()
yuzde = df["cihaz"].value_counts(normalize=True) * 100
tablo = pd.DataFrame({"frekans": frekans, "yüzde": yuzde.round(1)})
tablo["kümülatif yüzde"] = tablo["yüzde"].cumsum()
print(tablo)R’da aynı iş:
cihaz <- c("mobil","masaüstü","mobil","tablet","mobil",
"masaüstü","mobil","mobil","tablet","mobil")
tablo <- table(cihaz)
tablo
round(prop.table(tablo) * 100, 1)value_counts() varsayılan olarak eksik değerleri göstermez. Eksik veri oranını da görmek için dropna=False yaz. Bu küçük parametre, projede kaç kez kurtarıcı olacak, göreceksin.
Sayısal Veriyi Gruplamak
Sürekli bir değişkenin (örneğin yaş) frekans tablosu için önce aralıklara (bin) ayırman gerekir.
yas = pd.Series([19, 23, 25, 31, 34, 38, 42, 45, 52, 58, 61, 67])
gruplar = pd.cut(yas, bins=[18, 30, 45, 60, 100],
labels=["18-30", "31-45", "46-60", "60+"])
print(gruplar.value_counts().sort_index())Aralık sınırlarını seçmek sonucu değiştirir. Aynı veriyi farklı aralıklarla gruplarsan farklı hikâyeler çıkarabilirsin. Sınırları analize başlamadan, gerekçesiyle belirle.
Çapraz Tablo (Crosstab)
İki kategorik değişkeni satır ve sütun olarak karşılaştırır. Her hücre, iki kategorinin kesiştiği gözlem sayısını verir. Bu tabloya aynı zamanda kontenjans tablosu da denir.
capraz = pd.crosstab(df["cihaz"], df["satin_aldi"], margins=True)
print(capraz)Bu tablo “mobilde kaç kişi satın aldı, kaç kişi almadı” sorusunu cevaplar. Ama dikkat: ham sayılar karşılaştırma yapmak için yetersizdir. 60 kişinin satın aldığı bir kanal ile 20 kişinin satın aldığı bir kanalı kıyaslamak için o kanalların büyüklüğünü de bilmen lazım.
Üç Farklı Yüzde
Çapraz tabloda yüzdeyi neye göre aldığın, hikâyeyi değiştirir.
# Satır yüzdesi: her cihazın içinde alma oranı
print(pd.crosstab(df["cihaz"], df["satin_aldi"], normalize="index").round(2))
# Sütun yüzdesi: satın alanların cihaz dağılımı
print(pd.crosstab(df["cihaz"], df["satin_aldi"], normalize="columns").round(2))
# Toplam yüzdesi: tüm veriye oranı
print(pd.crosstab(df["cihaz"], df["satin_aldi"], normalize="all").round(2))- Satır yüzdesi: “Mobil kullanıcıların yüzde kaçı satın aldı?” Dönüşüm oranı sorusudur.
- Sütun yüzdesi: “Satın alanların yüzde kaçı mobilden?” Kompozisyon sorusudur.
- Toplam yüzdesi: “Tüm veride mobil ve satın alanların payı nedir?”
Bu üçü birbirinden çok farklı cümleler kurar. Raporda hangisini kullandığını yazmazsan okuyan yanlış sonuç çıkarır.
R’da:
cihaz <- c("mobil","masaüstü","mobil","tablet","mobil",
"masaüstü","mobil","mobil","tablet","mobil")
satin_aldi <- c("evet","hayır","hayır","hayır","evet",
"evet","hayır","evet","hayır","hayır")
tablo <- table(cihaz, satin_aldi)
prop.table(tablo, margin = 1) # satır yüzdesi
prop.table(tablo, margin = 2) # sütun yüzdesiÇapraz Tabloyu Nasıl Okursun?
- Önce marjinal toplamlara bak. Hangi grup küçük, hangisi büyük?
- Satır ya da sütun yüzdelerini kıyasla. Gruplar arasında belirgin fark var mı?
- Gruplar arası farkın tesadüf mü yoksa gerçek mi olduğunu düşün. Küçük hücre sayılarında yüzdeler yanıltıcıdır.
- İlişkiyi ölçmek için istatistiksel test gerekir. Bunun için ki-kare bağımsızlık testi kullanılır (Ders 42).
Elindeki yüzde farkının anlamlı olup olmadığını göz kararı söylemeye çalışma. 10 kişilik bir veride %60’a karşı %40 bir şey ifade etmeyebilir. 10.000 kişilik veride ise %51’e karşı %49 bile anlamlı olabilir.
Veri Biliminde Kullanımı
- EDA: Kategorik özelliklerin hedef değişkenle ilişkisini ilk keşfetme aracıdır.
- Model değerlendirme: Sınıflandırma modelinin karışıklık matrisi (confusion matrix) aslında bir çapraz tablodur. Gerçek sınıf ile tahmin edilen sınıf yan yana konur.
- A/B testleri: Varyant ve dönüşüm sonucunu çapraz tabloyla özetlersin.
- Kategori birleştirme: Seyrek kategorileri “Diğer” altında toplamadan önce frekanslara bakarsın.
- Veri kalitesi: Beklenmeyen kategori kombinasyonları (örneğin “çocuk” yaş grubu ile “kredi kartı sahibi”) veri hatalarını açığa çıkarır.
Acı Tecrübe: Çapraz Tablodaki Gizli Üçüncü Değişken
Bir kampanyanın sonuç tablosunda “yeni tasarım” eski tasarımdan daha düşük dönüşüm oranı veriyordu. Tablo net görünüyordu. Ama veriyi cihaza göre ayırdığımızda, yeni tasarım hem mobilde hem masaüstünde daha iyiydi. Toplam tabloda kaybetmesinin nedeni, yeni tasarımın trafiğinin çoğunlukla düşük dönüşümlü mobilden gelmesiydi. Bu olaya Simpson Paradoksu denir ve Ders 36’da ayrıntılı olarak ele alacağız. Şimdilik şunu aklında tut: toplanmış bir çapraz tablo, bir üçüncü değişkenin etkisini gizleyebilir.
Ders 10 Kontrol Listesi
- Frekans, bağıl frekans ve kümülatif yüzdeyi hesaplayabiliyorum.
- Kategorik değişkenlerde veri kalitesi sorunlarını frekans tablosuyla yakalayabiliyorum.
- Sürekli değişkeni gruplayarak frekans tablosu çıkarabiliyorum.
- Çapraz tabloyu satır, sütun ve toplam yüzdesi olarak hesaplayıp aralarındaki farkı anlatabiliyorum.
- Çapraz tablodaki yüzde farkının tek başına anlamlılık kanıtı olmadığını biliyorum.
- Üçüncü bir değişkenin tabloyu çarpıtabileceğini fark ediyorum.
Sıkça Sorulan Sorular
Frekans tablosu nedir?
Bir değişkenin her değerinin ya da kategorisinin kaç kez gözlendiğini gösteren özet tablodur. Genelde yüzde ve kümülatif yüzde sütunları da eklenir.
Çapraz tablo ne işe yarar?
İki kategorik değişken arasındaki ilişkiyi görmek için kullanılır. Hücreler iki kategorinin birlikte görüldüğü gözlem sayısını gösterir.
Satır yüzdesi mi sütun yüzdesi mi kullanılmalı?
Sorduğun soruya bağlı. Bir grubun içindeki oranı (dönüşüm oranı gibi) görmek istiyorsan hedef grubu satıra koy ve satır yüzdesi al. Bir sonucun kompozisyonunu görmek istiyorsan sütun yüzdesi kullan.
Çapraz tabloda anlamlılık nasıl test edilir?
Ki-kare bağımsızlık testiyle. Bu test, gözlenen hücre sayılarını bağımsızlık varsayımı altında beklenen sayılarla karşılaştırır.
Pandas’ta pivot_table ile crosstab arasındaki fark nedir?
crosstab iki ya da daha fazla diziden doğrudan tablo kurar ve genelde sayım içindir. pivot_table bir DataFrame üzerinden toplama fonksiyonlarıyla (ortalama, toplam vb.) çalışır ve daha esnektir.
Betimsel istatistik modülü burada bitti. Bir sonraki derste olasılık teorisine geçiyoruz. Belirsizliği ilk kez sayılarla ifade etmeye başlayacağız: olasılığın temel kuralları ve bağımsızlık.







