pandas.DataFrame Series排序的使用(sort_values，sort_index)
更新时间：2023年02月23日 09:36:59 作者：饺子大人
本文主要介绍了pandas.DataFrame Series排序的使用(sort_values，sort_index)，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
要对pandas.DataFrame和pandas.Series进行排序，可以使用sort_values（）和sort_index（）方法。
请注意，旧版本中存在的sort（）方法已废弃。
按元素排序sort_values（）
- 升序，降序（参数ascending）
- 多列排序
- 缺失值NaN的处理（参数na_position）
- 更改原始对象（参数inplace）
按行方向排序（参数axis）
- 按索引排序（行名/列名）sort_index（）
- 按行名索引排序
- 升序，降序（参数ascending）
- 更改原始对象（参数inplace）
- 按列名列排序（参数axis）
以以下数据为例。
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（）方法根据元素值进行排序。
在第一个参数（by）中指定要排序的列的标签（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（参数ascending）
默认为升序。如果要使用降序，请将升序参数设置为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
如果将第一个参数指定为列表，则可以按多列排序。
从列表的后面开始顺序排序的图像。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
如果将升序参数指定为列表，则可以为每列选择升序或降序。
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的处理（参数na_position）
如果缺少值NaN，则默认情况下将对其排序。
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如果参数na_position =‘first’，它将被安排在开头。
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
要删除缺少的值或将其替换为另一个值，请参阅以下文章。
Pandas删除，替换并提取其中的缺失值NaN(dropna,fillna,isnull)
更改原始对象（参数inplace）
默认情况下，将返回一个新的排序对象，但是如果inplace参数为True，则原始对象本身将被更改。
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（参数axis）
与前面的示例一样，默认排序为列（垂直）。
如果要按行方向排序，请将参数轴设置为1。其他参数与前面的示例相同。
由于如果数值和字符串混合使用会发生错误，因此在此处删除字符串列，仅显示数值列。有关drop（）方法，请参见以下文章。
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
默认情况下，sort_index（）根据行名在列方向（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（参数ascending）
与sort_values（）一样，默认值为升序。如果要使用降序，请将升序参数设置为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
更改原始对象（参数inplace）
与sort_values（）一样，可以指定参数inplace。如果为True，则更改原始对象。
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（参数axis）
与sort_values（）类似，如果设置了参数axis = 1，则根据列名在行方向（水平方向）上进行排序。可以像前面的示例一样使用其他参数。
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
到此这篇关于pandas.DataFrame Series排序的使用(sort_values，sort_index)的文章就介绍到这了,更多相关pandas DataFrame Series排序内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
这篇文章主要介绍了Python numpy大矩阵运算内存不足如何解决,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2020-11-11
这篇文章主要为大家详细介绍了python实现吃苹果小游戏，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2020-03-03
今天小编就为大家分享一篇django输出html内容的实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2018-05-05
这篇文章主要介绍了Python实现的Google IP 可用性检测脚本,本文脚本需要Python 3.4+环境,需要的朋友可以参考下2015-04-04
python实现调用其他python脚本的方法,是一个比较实用的技巧,需要的朋友可以参考下2014-10-10
这篇文章主要介绍了 Python calendar模块，Python 专门为了处理日历提供了calendar日历模块，下面文章基于time模块和datetime模块展开，具有一定的参考价值,需要的朋友可以参考一下2021-11-11
当今互联网时代，数据处理已经成为了一个非常重要的任务。MySQL作为一款开源的关系型数据库，被广泛应用于各种场景。本文将介绍如何使用Python操作MySQL的各种功能，以及一些高级用法，希望对大家有所帮助2023-04-04
循环用于重复执行一些程序块。从上一讲的选择结构，我们已经看到了如何用缩进来表示程序块的隶属关系。循环也会用到类似的写法。感兴趣得小伙伴请参考下面文字得具体内容2021-09-09
这篇文章主要介绍了Python网络安全格式字符串漏洞任意地址覆盖大数字的示例详解，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步2021-10-10
今天有同学问我,这种情况应该怎么调用,才能让remove_outdated_data.py正确导入models里面的模块,下面通过本文介绍下Python工具脚本调用外层模块的方法,感兴趣的朋友一起看看吧2024-02-02
最新评论