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！
您可能感兴趣的文章:
- pandas中DataFrame排序及分组排序的实现示例
- pandas dataframe拼接后index重新排序方式
- Pandas DataFrame如何按照一列数据的特定顺序进行排序
- pandas索引与赋值操作、排序以及Series排序和DataFrame排序方式
- pandas dataframe按照列名给列排序三种方法
- Python数据分析Pandas Dataframe排序操作
- Pandas实现DataFrame的简单运算、统计与排序
- pandas 对series和dataframe进行排序的实例
- Pandas 对Dataframe结构排序的实现方法
- Pandas DataFrame中两种排序函数的使用
相关文章
这篇文章主要介绍了Python如何使用Gitlab API实现批量的合并分支,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2019-11-11
在pycharm中配置第三方镜像后,秩序搜索需要的第三方库,就可以使用第三方镜像下载,速度不是一般的快,这篇文章主要介绍了PyCharm配置第三方镜像源,需要的朋友可以参考下2024-01-01
这篇文章主要介绍了Python3通过Luhn算法快速验证信用卡卡号的方法,涉及Python中Luhn算法的使用技巧,非常简单实用,需要的朋友可以参考下2015-05-05
这篇文章主要介绍了使用Python的判断语句模拟三目运算,Python中没有类似C语言那样的三目运算符,不过可以进行简单地模拟实现,需要的朋友可以参考下2015-04-04
这篇文章主要介绍了Pytorch实现的手写数字mnist识别功能,结合完整实例形式分析了Pytorch模块手写字识别具体步骤与相关实现技巧,需要的朋友可以参考下2019-12-12
今天小编就为大家分享一篇python实现输入的数据在地图上生成热力图效果，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2019-12-12
在Python中我们经常使用pip来安装第三方Python软件包,其实我们每个人都可以免费地将自己写的Python包发布到PyPI上,本文小编就来教教大家如何将自己的Python包发布到PyPI上吧2023-09-09
这篇文章主要介绍了Python3中的Django，小编觉得这篇文章写的还不错，需要的朋友们下面随着小编来一起学习学习吧，希望能够给你带来帮助2021-10-10
这篇文章主要介绍了python3 实现 口罩抽签的功能，本文通过实例代码给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下2020-03-03
这篇文章主要介绍了Django用户认证系统 组与权限解析,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2019-08-08
最新评论