pandas.DataFrame Series排序的使用(sort_values，sort_index)
更新時(shí)間：2023年02月23日 09:36:59 作者：餃子大人
本文主要介紹了pandas.DataFrame Series排序的使用(sort_values，sort_index)，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
要對(duì)pandas.DataFrame和pandas.Series進(jìn)行排序，可以使用sort_values（）和sort_index（）方法。
請(qǐng)注意，舊版本中存在的sort（）方法已廢棄。
按元素排序sort_values（）
- 升序，降序（參數(shù)ascending）
- 多列排序
- 缺失值NaN的處理（參數(shù)na_position）
- 更改原始對(duì)象（參數(shù)inplace）
按行方向排序（參數(shù)axis）
- 按索引排序（行名/列名）sort_index（）
- 按行名索引排序
- 升序，降序（參數(shù)ascending）
- 更改原始對(duì)象（參數(shù)inplace）
- 按列名列排序（參數(shù)axis）
以以下數(shù)據(jù)為例。
import pandas as pd
df = pd.read_csv('./data/17/sample_pandas_normal.csv')
print(df)
# ? ? ? name ?age state ?point
# 0 ? ?Alice ? 24 ? ?NY ? ? 64
# 1 ? ? ?Bob ? 42 ? ?CA ? ? 92
# 2 ?Charlie ? 18 ? ?CA ? ? 70
# 3 ? ? Dave ? 68 ? ?TX ? ? 70
# 4 ? ?Ellen ? 24 ? ?CA ? ? 88
# 5 ? ?Frank ? 30 ? ?NY ? ? 57示例是pandas.DataFrame，但是pandas.Series也具有sort_values（）和sort_index（），因此用法是相同的。
按元素排序sort_values（）
使用sort_values（）方法根據(jù)元素值進(jìn)行排序。
在第一個(gè)參數(shù)（by）中指定要排序的列的標(biāo)簽（列名）。
df_s = df.sort_values('state')
print(df_s)
# name age state point
# 1 Bob 42 CA 92
# 2 Charlie 18 CA 70
# 4 Ellen 24 CA 88
# 0 Alice 24 NY 64
# 5 Frank 30 NY 57
# 3 Dave 68 TX 70
升序，降序（參數(shù)ascending）
默認(rèn)為升序。如果要使用降序，請(qǐng)將升序參數(shù)設(shè)置為False。
df_s = df.sort_values('state', ascending=False)
print(df_s)
# name age state point
# 3 Dave 68 TX 70
# 0 Alice 24 NY 64
# 5 Frank 30 NY 57
# 1 Bob 42 CA 92
# 2 Charlie 18 CA 70
# 4 Ellen 24 CA 88
多列排序
如果將第一個(gè)參數(shù)指定為列表，則可以按多列排序。
從列表的后面開始順序排序的圖像。最后，它按列表中的第一列排序。
df_s = df.sort_values(['state', 'age']) print(df_s) # ? ? ? name ?age state ?point # 2 ?Charlie ? 18 ? ?CA ? ? 70 # 4 ? ?Ellen ? 24 ? ?CA ? ? 88 # 1 ? ? ?Bob ? 42 ? ?CA ? ? 92 # 0 ? ?Alice ? 24 ? ?NY ? ? 64 # 5 ? ?Frank ? 30 ? ?NY ? ? 57 # 3 ? ? Dave ? 68 ? ?TX ? ? 70 df_s = df.sort_values(['age', 'state']) print(df_s) # ? ? ? name ?age state ?point # 2 ?Charlie ? 18 ? ?CA ? ? 70 # 4 ? ?Ellen ? 24 ? ?CA ? ? 88 # 0 ? ?Alice ? 24 ? ?NY ? ? 64 # 5 ? ?Frank ? 30 ? ?NY ? ? 57 # 1 ? ? ?Bob ? 42 ? ?CA ? ? 92 # 3 ? ? Dave ? 68 ? ?TX ? ? 70
如果將升序參數(shù)指定為列表，則可以為每列選擇升序或降序。
df_s = df.sort_values(['age', 'state'], ascending=[True, False]) print(df_s) # name age state point # 2 Charlie 18 CA 70 # 0 Alice 24 NY 64 # 4 Ellen 24 CA 88 # 5 Frank 30 NY 57 # 1 Bob 42 CA 92 # 3 Dave 68 TX 70
缺失值NaN的處理（參數(shù)na_position）
如果缺少值NaN，則默認(rèn)情況下將對(duì)其排序。
df_nan = df.copy()
df_nan.iloc[:2, 1] = pd.np.nan
print(df_nan)
# ? ? ? name ? age state ?point
# 0 ? ?Alice ? NaN ? ?NY ? ? 64
# 1 ? ? ?Bob ? NaN ? ?CA ? ? 92
# 2 ?Charlie ?18.0 ? ?CA ? ? 70
# 3 ? ? Dave ?68.0 ? ?TX ? ? 70
# 4 ? ?Ellen ?24.0 ? ?CA ? ? 88
# 5 ? ?Frank ?30.0 ? ?NY ? ? 57
df_nan_s = df_nan.sort_values('age')
print(df_nan_s)
# ? ? ? name ? age state ?point
# 2 ?Charlie ?18.0 ? ?CA ? ? 70
# 4 ? ?Ellen ?24.0 ? ?CA ? ? 88
# 5 ? ?Frank ?30.0 ? ?NY ? ? 57
# 3 ? ? Dave ?68.0 ? ?TX ? ? 70
# 0 ? ?Alice ? NaN ? ?NY ? ? 64
# 1 ? ? ?Bob ? NaN ? ?CA ? ? 92如果參數(shù)na_position =‘first’，它將被安排在開頭。
df_nan_s = df_nan.sort_values('age', na_position='first')
print(df_nan_s)
# name age state point
# 0 Alice NaN NY 64
# 1 Bob NaN CA 92
# 2 Charlie 18.0 CA 70
# 4 Ellen 24.0 CA 88
# 5 Frank 30.0 NY 57
# 3 Dave 68.0 TX 70
要?jiǎng)h除缺少的值或?qū)⑵涮鎿Q為另一個(gè)值，請(qǐng)參閱以下文章。
Pandas刪除，替換并提取其中的缺失值NaN(dropna,fillna,isnull)
更改原始對(duì)象（參數(shù)inplace）
默認(rèn)情況下，將返回一個(gè)新的排序?qū)ο?，但是如果inplace參數(shù)為True，則原始對(duì)象本身將被更改。
df.sort_values('state', inplace=True)
print(df)
# name age state point
# 1 Bob 42 CA 92
# 2 Charlie 18 CA 70
# 4 Ellen 24 CA 88
# 0 Alice 24 NY 64
# 5 Frank 30 NY 57
# 3 Dave 68 TX 70
按行方向排序（參數(shù)axis）
與前面的示例一樣，默認(rèn)排序?yàn)榱校ù怪保?/p>
如果要按行方向排序，請(qǐng)將參數(shù)軸設(shè)置為1。其他參數(shù)與前面的示例相同。
由于如果數(shù)值和字符串混合使用會(huì)發(fā)生錯(cuò)誤，因此在此處刪除字符串列，僅顯示數(shù)值列。有關(guān)drop（）方法，請(qǐng)參見以下文章。
df_d = df.drop(['name', 'state'], axis=1) print(df_d) # ? ?age ?point # 1 ? 42 ? ? 92 # 2 ? 18 ? ? 70 # 4 ? 24 ? ? 88 # 0 ? 24 ? ? 64 # 5 ? 30 ? ? 57 # 3 ? 68 ? ? 70 df_d .sort_values(by=1, axis=1, ascending=False, inplace=True) print(df_d) # ? ?point ?age # 1 ? ? 92 ? 42 # 2 ? ? 70 ? 18 # 4 ? ? 88 ? 24 # 0 ? ? 64 ? 24 # 5 ? ? 57 ? 30 # 3 ? ? 70 ? 68
按索引排序（行名/列名）sort_index（）
使用sort_index（）方法按索引（行名/列名）排序。
按行名索引排序
默認(rèn)情況下，sort_index（）根據(jù)行名在列方向（垂直方向）上排序。
print(df) # ? ? ? name ?age state ?point # 1 ? ? ?Bob ? 42 ? ?CA ? ? 92 # 2 ?Charlie ? 18 ? ?CA ? ? 70 # 4 ? ?Ellen ? 24 ? ?CA ? ? 88 # 0 ? ?Alice ? 24 ? ?NY ? ? 64 # 5 ? ?Frank ? 30 ? ?NY ? ? 57 # 3 ? ? Dave ? 68 ? ?TX ? ? 70 df_s = df.sort_index() print(df_s) # ? ? ? name ?age state ?point # 0 ? ?Alice ? 24 ? ?NY ? ? 64 # 1 ? ? ?Bob ? 42 ? ?CA ? ? 92 # 2 ?Charlie ? 18 ? ?CA ? ? 70 # 3 ? ? Dave ? 68 ? ?TX ? ? 70 # 4 ? ?Ellen ? 24 ? ?CA ? ? 88 # 5 ? ?Frank ? 30 ? ?NY ? ? 57
升序，降序（參數(shù)ascending）
與sort_values（）一樣，默認(rèn)值為升序。如果要使用降序，請(qǐng)將升序參數(shù)設(shè)置為False。
df_s = df.sort_index(ascending=False) print(df_s) # name age state point # 5 Frank 30 NY 57 # 4 Ellen 24 CA 88 # 3 Dave 68 TX 70 # 2 Charlie 18 CA 70 # 1 Bob 42 CA 92 # 0 Alice 24 NY 64
更改原始對(duì)象（參數(shù)inplace）
與sort_values（）一樣，可以指定參數(shù)inplace。如果為True，則更改原始對(duì)象。
df.sort_index(inplace=True) print(df) # name age state point # 0 Alice 24 NY 64 # 1 Bob 42 CA 92 # 2 Charlie 18 CA 70 # 3 Dave 68 TX 70 # 4 Ellen 24 CA 88 # 5 Frank 30 NY 57
按列名列排序（參數(shù)axis）
與sort_values（）類似，如果設(shè)置了參數(shù)axis = 1，則根據(jù)列名在行方向（水平方向）上進(jìn)行排序?？梢韵袂懊娴氖纠粯邮褂闷渌麉?shù)。
df_s = df.sort_index(axis=1) print(df_s) # ? ?age ? ? name ?point state # 0 ? 24 ? ?Alice ? ? 64 ? ?NY # 1 ? 42 ? ? ?Bob ? ? 92 ? ?CA # 2 ? 18 ?Charlie ? ? 70 ? ?CA # 3 ? 68 ? ? Dave ? ? 70 ? ?TX # 4 ? 24 ? ?Ellen ? ? 88 ? ?CA # 5 ? 30 ? ?Frank ? ? 57 ? ?NY df.sort_index(axis=1, ascending=False, inplace=True) print(df) # ? state ?point ? ? name ?age # 0 ? ?NY ? ? 64 ? ?Alice ? 24 # 1 ? ?CA ? ? 92 ? ? ?Bob ? 42 # 2 ? ?CA ? ? 70 ?Charlie ? 18 # 3 ? ?TX ? ? 70 ? ? Dave ? 68 # 4 ? ?CA ? ? 88 ? ?Ellen ? 24 # 5 ? ?NY ? ? 57 ? ?Frank ? 30
到此這篇關(guān)于pandas.DataFrame Series排序的使用(sort_values，sort_index)的文章就介紹到這了,更多相關(guān)pandas DataFrame Series排序內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:
- Python數(shù)據(jù)分析Pandas?Dataframe排序操作
- Pandas數(shù)值排序 sort_values()的使用
- python?pandas?數(shù)據(jù)排序的幾種常用方法
- pandas中按行或列的值對(duì)數(shù)據(jù)排序的實(shí)現(xiàn)
- pandas?dataframe按照列名給列排序三種方法
- Python使用pandas實(shí)現(xiàn)對(duì)數(shù)據(jù)進(jìn)行特定排序
- Python利用pandas對(duì)數(shù)據(jù)進(jìn)行特定排序
- pandas中DataFrame排序及分組排序的實(shí)現(xiàn)示例
- pandas中數(shù)據(jù)的排序與排名的具體使用
- Pandas排序和分組排名(sort和rank)的實(shí)現(xiàn)
相關(guān)文章
Python numpy大矩陣運(yùn)算內(nèi)存不足如何解決
這篇文章主要介紹了Python numpy大矩陣運(yùn)算內(nèi)存不足如何解決,文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2020-11-11
這篇文章主要為大家詳細(xì)介紹了python實(shí)現(xiàn)吃蘋果小游戲，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2020-03-03
今天小編就為大家分享一篇django輸出html內(nèi)容的實(shí)例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2018-05-05
Python實(shí)現(xiàn)的Google IP 可用性檢測腳本
這篇文章主要介紹了Python實(shí)現(xiàn)的Google IP 可用性檢測腳本,本文腳本需要Python 3.4+環(huán)境,需要的朋友可以參考下2015-04-04
python實(shí)現(xiàn)調(diào)用其他python腳本的方法
python實(shí)現(xiàn)調(diào)用其他python腳本的方法,是一個(gè)比較實(shí)用的技巧,需要的朋友可以參考下2014-10-10
這篇文章主要介紹了?Python?calendar模塊，Python?專門為了處理日歷提供了calendar日歷模塊，下面文章基于time模塊和datetime模塊展開，具有一定的參考價(jià)值,需要的朋友可以參考一下2021-11-11
當(dāng)今互聯(lián)網(wǎng)時(shí)代，數(shù)據(jù)處理已經(jīng)成為了一個(gè)非常重要的任務(wù)。MySQL作為一款開源的關(guān)系型數(shù)據(jù)庫，被廣泛應(yīng)用于各種場景。本文將介紹如何使用Python操作MySQL的各種功能，以及一些高級(jí)用法，希望對(duì)大家有所幫助2023-04-04
Python 循環(huán)函數(shù)詳細(xì)介紹
循環(huán)用于重復(fù)執(zhí)行一些程序塊。從上一講的選擇結(jié)構(gòu)，我們已經(jīng)看到了如何用縮進(jìn)來表示程序塊的隸屬關(guān)系。循環(huán)也會(huì)用到類似的寫法。感興趣得小伙伴請(qǐng)參考下面文字得具體內(nèi)容2021-09-09
Python網(wǎng)絡(luò)安全格式字符串漏洞任意地址覆蓋大數(shù)字詳解
這篇文章主要介紹了Python網(wǎng)絡(luò)安全格式字符串漏洞任意地址覆蓋大數(shù)字的示例詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步2021-10-10
今天有同學(xué)問我,這種情況應(yīng)該怎么調(diào)用,才能讓remove_outdated_data.py正確導(dǎo)入models里面的模塊,下面通過本文介紹下Python工具腳本調(diào)用外層模塊的方法,感興趣的朋友一起看看吧2024-02-02