Pandas.DataFrame.sort |
您所在的位置：网站首页 › stata倒序排列sort › Pandas.DataFrame.sort |
Pandas.DataFrame.sort
|
关于Pandas版本： 本文基于 pandas2.2.0 编写。 关于本文内容更新： 随着pandas的stable版本更迭，本文持续更新，不断完善补充。 传送门： Pandas API参考目录 传送门： Pandas 版本更新及新特性 传送门： Pandas 由浅入深系列教程 本节目录 Pandas.DataFrame.sort_index()语法：返回值：参数说明：axis 指定轴（指定用行索引排序，还是用列名排序）level 指定索引或列名的排序参考层级ascending 排序方法（升序或降序）inplace 原地生效kind 排序算法na_position 缺失值堆放位置sort_remaining 其他排序置ignore_index 轴忽略key 排序前函数调用 相关方法：示例： Pandas.DataFrame.sort_index()DataFrame.sort_index() 方法用于沿 指定轴 对 DataFrame 排序。 如果，你对 轴 的概念很抓狂，可以简单理解为，是用 行索引(index) 排序，还是用 列名(labels) 排序。 语法：DataFrame.sort_index (*, axis=0, level=None, ascending=True, inplace=False, kind=‘quicksort’, na_position=‘last’, sort_remaining=True, ignore_index=False, key=None) 返回值： DataFrame or None 如果 inplace=True 则在原始 DataFrame 原地排序，并返回 None 。如果 inplace=False 则生成、并返回、新的、排序后的的 DataFrame 对象。 参数说明： axis 指定轴（指定用行索引排序，还是用列名排序）axis:{0 or ‘index’, 1 or ‘columns’}, default 0 例1 用于指定沿哪个轴进行排序，默认 axis=0： 0 或 index : 纵向、用行索引(index)排序。1 或 comumns : 横向、用列名(labels)排序。 level 指定索引或列名的排序参考层级level: int or level name or list of ints or list of level names 例2 level 参数一般用于指定 多层索引、列名 中的某个级别，作为主要的排序依据。 int or level name: 可以用 整数层级编号 指定，也可以用 层级的名字 指定。list of ints： 可以用整数层级编号组成的列表，指定多个层级。list of level names: 可以用层级的名字组成的列表，指定多个层级。⚠️ 注意 : 如果指定了多个层级，这些层级必须在同一个轴上。（不能同时指定行索引、列名的层级）多层索引、列名，在没有指定 level 参数的情况下，默认以指定轴的第 0 层的索引排序。如果用列表指定了多个层级，列表中第1个出现的层级，将作为主要排序参考。
ascending: bool or list-like of bools, default True 例3 ascending 参数用于指定排序方法（升序或降序），默认ascending=True 表示使用升序： bool: 默认ascending=True 表示升序。ascending=False 则降序。list-like of bools： 当索引具有多个层次，可以用列表的形式指定每个层级的排序方法。⚠️ 注意 : 如果使用了 level 参数，并且你还想以 list-like of bools 的方式精准控制每个层级的升序降序方法，那么二者的元素数量必须等长，否则会引发报错：ValueError: level must have same length as ascendinglevel 参数 传递的成绩列表 和 list-like of bools传递的布尔值列表，二者元素是一一对应的关系。例如：df.sort_index(axis=0, level=[1,0], ascending=[False, True]) 意味着层级1是降序，层级0是升序。 inplace 原地生效inplace: bool, default False 例4 inplace 参数用于指是否在原始数据里进行修改，默认 inplace=False： True: 在原始 DataFrame 原地排序，并返回 None。False： 生成、并返回、新的、排序后的的 DataFrame 对象。 kind 排序算法kind: {‘quicksort’, ‘mergesort’, ‘heapsort’, ‘stable’}, default ‘quicksort’ 例5 kind 参数用于指定排序算法，默认使用 'quicksort' 快速排序： ‘quicksort’: 快速排序 这是默认的排序算法。它是一种快速但不稳定的排序算法，通常是大多数情况下的最佳选择。它具有较好的平均性能，但在最坏情况下的性能可能较差。‘mergesort’: 归并排序 是一种稳定的排序算法，它适用于大型数据集。它的主要特点是在任何情况下都具有稳定的性能，但可能会比快速排序慢一些。归并排序适用于需要稳定排序的情况。‘heapsort’: 堆排序 是一种不稳定的排序算法，它对内存的要求相对较低。堆排序通常在性能方面略逊于快速排序，但对于大型数据集而言，它可能比归并排序更具有竞争力。‘stable’: 稳定排序 是一种特殊的排序，它保持相等元素的相对顺序。在 Pandas 中，如果你希望在多列或多层索引上进行排序时保持相对顺序，可以选择使用 'stable'。请注意，稳定排序通常会导致一些性能损失。⚠️ 注意 : kind 参数，只有在对单个层级的行索引、列名，进行排序时才会生效。 na_position 缺失值堆放位置na_position: {‘first’, ‘last’}, default ‘last’ 例6 na_position 参数用于指定索引、列名中存在缺失值，这些缺失值排序后的堆放位置，默认na_position='last' ： ‘first’: 缺失值放在排序结果最上面。‘last’: 缺失值放在排序结果最下面。⚠️ 注意 : 在多层索引、列名中此参数不可用。 sort_remaining 其他排序置sort_remaining: bool, default True 例7 sort_remaining 参数用于指当按照指定的层级排序后，其他同轴层级是否也进行排序。默认 sort_remaining=True 表示没指定的同轴其他层级，也会自动排序： True: 同轴其他层级也会排序。False： 同轴其他层级不会排序。 ignore_index 轴忽略ignore_index: bool, default False 例8 ignore_index 参数用于指定，排序后，在结果中是否忽略原来的索引、列名内容。 True: ignore_index=True ，将会在排序后，舍弃掉 axis 参数指定轴上所有层级的的索引，并标记为从0到n-1的自然索引。False： 不忽略。 key 排序前函数调用key: callable, optional 例9 可以在排序之前，调用一个函数来处理制定轴的索引内容。 对于多层索引或多层列名，key 并没有提供选择层级的方法，调用的函数，将应用于指定轴的所有层级。 相关方法：➡️ 相关方法 Series.sort_index Sort Series by the index. DataFrame.sort_values 用值排序。 Series.sort_values Sort Series by the value. 示例：测试文件下载： 本文所涉及的测试文件，如有需要，可在文章顶部的绑定资源处下载。 若发现文件无法下载，应该是资源包有内容更新，正在审核，请稍后再试。或站内私信作者索要。
例1：指定用于排序的轴 import pandas as pd # 构建演示数据 data = {'B':[1, 2, 3, 4, 5], 'A':[6, 7, 8, 9, 10]} idx = pd.Index([100, 29, 234, 1, 150], name='index') df = pd.DataFrame(data, index=idx) # 观察数据内容 df # ... B A # ... index # ... 100 1 6 # ... 29 2 7 # ... 234 3 8 # ... 1 4 9 # ... 150 5 10 # 用行索引排序 df1 = df.sort_index() # 等效于df = df.sort_index(axis=0) df1 # ... B A # ... index # ... 1 4 9 # ... 29 2 7 # ... 100 1 6 # ... 150 5 10 # ... 234 3 8 # 用列名排序 df2 = df.sort_index(axis=1) df2 # ... A B # ... index # ... 100 6 1 # ... 29 7 2 # ... 234 8 3 # ... 1 9 4 # ... 150 10 5例2：指定索引或列名的级别 1、构建演示数据并观察其内容 import pandas as pd # 构建演示数据 tuples = [ ('1', 'a'), ('1', 'b'), ('3', 'b'), ('3', 'a'), ('2', 'a'), ('2', 'b') ] index = pd.MultiIndex.from_tuples(tuples,names=['职业','种族']) values = [[9, 20], [10, 18], [6, 23], [7, 25], [4, 30], [3, 35]] df = pd.DataFrame(values, columns=[['属性1','属性2'], ['攻速','攻击力']], index=index) # 观察原始数据 df 属性1属性2攻速攻击力职业种族1a920b10183b623a7252a430b335 2、如果用列表指定了多个层级，在列表中第一个出现的层级，将作为主要排序参考。 df2 = df.sort_index(axis=0, level=[1,0]) df2 BAindex1.04929.027100.016NaN38NaN510有上面结果可以发现，在用列表同时指定了 职业、种族两个层级的情况下。 因为代表种族的层级编号1，出现在列表里的第1个位置。所以排序的结果，主要是以种族为标准进行的。 例3：指定排序方法（升序或降序） 1、如果索引只有一层，传递一个布尔值即可。 import pandas as pd # 构建演示数据 data = {'B':[1, 2, 3, 4, 5], 'A':[6, 7, 8, 9, 10]} idx = pd.Index([100, 29, 234, 1, 150], name='index') df = pd.DataFrame(data, index=idx) # 观察数据内容 df # ... B A # ... index # ... 100 1 6 # ... 29 2 7 # ... 234 3 8 # ... 1 4 9 # ... 150 5 10 # 指定排序方法为降序 df1 = df.sort_index(axis=0,ascending=False) df1 # ... B A # ... index # ... 234 3 8 # ... 150 5 10 # ... 100 1 6 # ... 29 2 7 # ... 1 4 9 2、如果索引有多个层级，可以使用布尔值组成的列表，控制每个层级的排序方法（不传递列表，则同轴所有层级都保持默认升序，或指定的排序方法） import pandas as pd # 构建演示数据 tuples = [ ('1', 'a'), ('1', 'b'), ('3', 'b'), ('3', 'a'), ('2', 'a'), ('2', 'b') ] index = pd.MultiIndex.from_tuples(tuples,names=['职业','种族']) values = [[9, 20], [10, 18], [6, 23], [7, 25], [4, 30], [3, 35]] df = pd.DataFrame(values, columns=[['属性1','属性2'], ['攻速','攻击力']], index=index) # 观察原始数据 df # ... 属性1 属性2 # ... 攻速 攻击力 # ... 职业 种族 # ... 1 a 9 20 # ... b 10 18 # ... 3 b 6 23 # ... a 7 25 # ... 2 a 4 30 # ... b 3 35 # 指定排序以种族为准，并指定种族降序，职业升序 df1 = df.sort_index(axis=0, level=[1,0], ascending=[False, True]) df1 # ... 属性1 属性2 # ... 攻速 攻击力 # ... 职业 种族 # ... 1 b 10 18 # ... 2 b 3 35 # ... 3 b 6 23 # ... 1 a 9 20 # ... 2 a 4 30 # ... 3 a 7 25 # 不传递列表，只传递布尔值，同轴所有层级都是用一样的排序方法 df2 = df.sort_index(axis=0, ascending=False) df2 # ... 属性1 属性2 # ... 攻速 攻击力 # ... 职业 种族 # ... 3 b 6 23 # ... a 7 25 # ... 2 b 3 35 # ... a 4 30 # ... 1 b 10 18 # ... a 9 20例4：原地生效 import pandas as pd # 构建演示数据 data = {'B':[1, 2, 3, 4, 5], 'A':[6, 7, 8, 9, 10]} idx = pd.Index([100, 29, 234, 1, 150], name='index') df = pd.DataFrame(data, index=idx) # 观察数据内容 df # ... B A # ... index # ... 100 1 6 # ... 29 2 7 # ... 234 3 8 # ... 1 4 9 # ... 150 5 10 # 指定排序方法为降序，并原地生效 df.sort_index(axis=0, ascending=False, inplace=True) df # ... B A # ... index # ... 234 3 8 # ... 150 5 10 # ... 100 1 6 # ... 29 2 7 # ... 1 4 9例5：指定排序算法，注意！kind参数只有对单个层级排序时才会生效。 import pandas as pd # 构建演示数据 tuples = [ ('1', 'a'), ('1', 'b'), ('3', 'b'), ('3', 'a'), ('2', 'a'), ('2', 'b') ] index = pd.MultiIndex.from_tuples(tuples,names=['职业','种族']) values = [[9, 20], [10, 18], [6, 23], [7, 25], [4, 30], [3, 35]] df = pd.DataFrame(values, columns=[['属性1','属性2'], ['攻速','攻击力']], index=index) # 观察原始数据 df # ... 属性1 属性2 # ... 攻速 攻击力 # ... 职业 种族 # ... 1 a 9 20 # ... b 10 18 # ... 3 b 6 23 # ... a 7 25 # ... 2 a 4 30 # ... b 3 35 # 指定排序以种族为准，并指定种族降序，职业升序 df1 = df.sort_index(axis=0, level=1, kind='mergesort', ascending=False) df1 # ... 属性1 属性2 # ... 攻速 攻击力 # ... 职业 种族 # ... 1 b 10 18 # ... 2 b 3 35 # ... 3 b 6 23 # ... 1 a 9 20 # ... 2 a 4 30 # ... 3 a 7 25例6：缺失值堆放位置 import pandas as pd import numpy as np # 构建演示数据 data = {'B':[1, 2, 3, 4, 5], 'A':[6, 7, 8, 9, 10]} idx = pd.Index([100, 29, np.nan, 1, np.nan], name='index') df = pd.DataFrame(data, index=idx) # 观察数据内容 df # ... B A # ... index # ... 100 1 6 # ... 29 2 7 # ... NaN 3 8 # ... 1 4 9 # ... NaN 5 10 # 排序，并指定缺失值排在最上面 df.sort_index(axis=0, na_position='first', inplace=True) df # ... B A # ... index # ... NaN 3 8 # ... NaN 5 10 # ... 1 4 9 # ... 29 2 7 # ... 100 1 6例7：指定其他同轴的层级，不跟随排序 1、构建数据并观察内容 import pandas as pd # 构建演示数据 tuples = [ ('1', 'a'), ('1', 'b'), ('3', 'b'), ('3', 'a'), ('2', 'a'), ('2', 'b') ] index = pd.MultiIndex.from_tuples(tuples,names=['职业','种族']) values = [[9, 20], [10, 18], [6, 23], [7, 25], [4, 30], [3, 35]] df = pd.DataFrame(values, columns=[['属性1','属性2'], ['攻速','攻击力']], index=index) # 观察原始数据 df 属性1属性2攻速攻击力职业种族1a920b10183b623a7252a430b335 2、默认情况下，如果对行索引层级 ‘种族’ 进行排序，那么行索引层级 '职业’也会跟着排序，例如： df1 = df.sort_index(axis=0, level='种族') df1 属性1属性2攻速攻击力职业种族1a9202a4303a7251b10182b3353b623由上面结果可以发现，同轴行索引层级 ‘职业’ 也尽可能的进行了排序。 3、指定其他同轴层级，不跟随排序 df2 = df.sort_index(axis=0, level='种族', sort_remaining=False) df2 属性1属性2攻速攻击力职业种族1a9203a7252a4301b10183b6232b335由上面结果可以发现，由于 sort_remaining=False 同轴行索引层级 ‘职业’ 没有进行排序。 例8：排序后舍弃索引对象 import pandas as pd # 构建演示数据 tuples = [ ('1', 'a'), ('1', 'b'), ('3', 'b'), ('3', 'a'), ('2', 'a'), ('2', 'b') ] index = pd.MultiIndex.from_tuples(tuples,names=['职业','种族']) values = [[9, 20], [10, 18], [6, 23], [7, 25], [4, 30], [3, 35]] df = pd.DataFrame(values, columns=[['属性1','属性2'], ['攻速','攻击力']], index=index) # 排序 df2 = df.sort_index(axis=0, level='种族', sort_remaining=False, ignore_index=True) df2 属性1属性2攻速攻击力0920172524303101846235335由上面结果可以发现，虽然在排序时，只指定了以’种族’这个层级为准进行排序，但是排序后，0轴上所有的行索引都消失了，被转换成从0开始的自然索引。 例9：排序前调用函数，处理相关内容 import pandas as pd df = pd.DataFrame({"a": [1, 2, 3, 4]}, index=['A', 'b', 'C', 'd']) # 排序前，小写字母变成大写 df.sort_index(key=lambda x: x.str.lower()) df aA1b2C3d4 |
【本文地址】