Pandas數(shù)據(jù)排序，人人都能學(xué)會(huì)的幾種方法
來(lái)源：Python數(shù)據(jù)之道 (ID:PyDataLab)
作者：陽(yáng)哥
Pandas 可以說(shuō)是 在Python數(shù)據(jù)科學(xué)領(lǐng)域應(yīng)用最為廣泛的工具之一。
Pandas是一種高效的數(shù)據(jù)處理庫(kù)，它以 dataframe 和 series 為基本數(shù)據(jù)類型，呈現(xiàn)出類似excel的二維數(shù)據(jù)。
在數(shù)據(jù)處理過(guò)程中，咱們經(jīng)常需要將數(shù)據(jù)按照一定的要求進(jìn)行排序，以方便展示。
這里，陽(yáng)哥來(lái)給大家分享下 在 Pandas 中排序的幾種常用方法，主要包括 sort_index ?和 sort_values 。
01 按索引排序
數(shù)據(jù)準(zhǔn)備
文中主要使用了 pandas 和 numpy ，首先導(dǎo)入 Python 庫(kù)，如下：
import?pandas?as?pd
import?numpy?as?np
print(f'pandas?version:?{pd.__version__}')?
#?pandas?version?1.3.2
本次使用的數(shù)據(jù)如下：
data?=?{
????'brand':['Python數(shù)據(jù)之道','價(jià)值前瞻','菜鳥數(shù)據(jù)之道','Python','Java'],
????'B':[4,6,8,12,10],
????'A':[10,2,5,20,16],
????'D':[6,18,14,6,12],
????'years':[4,1,1,30,30],
????'C':[8,12,18,8,2],
}
index?=?[9,3,4,5,2]
df?=?pd.DataFrame(data=data,index=index)
df
按行索引排序
sort_index() 是 pandas 中按索引排序的函數(shù)，默認(rèn)情況下， sort_index 是按行索引來(lái)排序。
通過(guò)設(shè)置參數(shù) ascending 可以設(shè)置升序或降序排列，默認(rèn)情況下是 ascending=True ，為升序排列。
設(shè)置 ascending=False 時(shí)，為降序排列，如下：
按列的名稱排序
通過(guò)設(shè)置參數(shù) axis=1 可實(shí)現(xiàn)按列的名稱排序，如下：
同樣的，可以設(shè)置 參數(shù) ascending 的值，如下：
關(guān)于按列的名稱排序，更多的方法，可以參考下面的內(nèi)容：
02 按數(shù)值排序
sort_values() 是 pandas 中按數(shù)值排序的函數(shù)。
按單個(gè)列的值排序
sort_values() 中設(shè)置單個(gè)列的列名稱，可以對(duì)單個(gè)列進(jìn)行排序，通過(guò)設(shè)置參數(shù) ascending 可以設(shè)置升序或降序排列，如下：
按多個(gè)列的值排序
同時(shí)，sort_values() 可以對(duì)多個(gè)列進(jìn)行不同的排序，通過(guò)設(shè)置列明和排序方式組合來(lái)實(shí)現(xiàn)，如下：
設(shè)置參數(shù) ascending ，years 列為升序，B 列為降序，如下：
選擇排序算法
選擇排序算法，參數(shù) kind 默認(rèn)是 'quicksort'，其他算法有 mergesort, heapsort, stable。
該參數(shù)只針對(duì)單個(gè)列時(shí)才有效。
在 numpy 的 sort文檔中，對(duì)幾種排序的特點(diǎn)進(jìn)行了描述，主要是程序運(yùn)行時(shí)占用的資源和運(yùn)行速度有差異。
numpy 文檔地址：
https://numpy.org/doc/stable/reference/generated/numpy.sort.html#numpy.sort
示例如下：
忽略索引
在排序過(guò)程中，還可以引入 ignore_index 參數(shù)，來(lái)對(duì)行索引重新設(shè)置，如下：
inplace
inplace 是 pandas 中常見的一個(gè)參數(shù)。
inplace = True：不創(chuàng)建新的對(duì)象，直接對(duì)原始對(duì)象進(jìn)行修改；默認(rèn)是 False，即創(chuàng)建新的對(duì)象進(jìn)行修改，原對(duì)象不變，和深復(fù)制和淺復(fù)制有些類似。
缺失值
先構(gòu)造一個(gè)含缺失值的 dataframe，如下：
data?=?{
????'brand':['Python數(shù)據(jù)之道','價(jià)值前瞻','菜鳥數(shù)據(jù)之道','Python','Java'],
????'B':[4,6,8,np.nan,12],
????'A':['Lemon','emma','ZW','app','John'],
????'D':[6,18,14,6,12],
????'years':[4,1,1,30,30],
????'C':[8,12,18,8,2],
}
index?=?[9,3,4,5,2]
df1?=?pd.DataFrame(data=data,index=index)
df1
缺失值排在最前面：
缺失值排在最后面：
key 參數(shù)
通過(guò)設(shè)置 key 參數(shù)，可以將列按照特定條件進(jìn)行排序，對(duì)比下下面的排序：
源代碼文件
以上就是關(guān)于 Pandas 中排序的介紹，歡迎大家來(lái)暢聊，Pandas 中有哪些實(shí)用的小技巧~~
Python數(shù)據(jù)分析，包括Pandas、Numpy等，代碼地址：
https://github.com/liyangbit/python_data_analysis
推薦閱讀
牛逼！Python常用數(shù)據(jù)類型的基本操作（長(zhǎng)文系列第①篇）
牛逼！Python的判斷、循環(huán)和各種表達(dá)式（長(zhǎng)文系列第②篇）
推薦閱讀
牛逼！Python常用數(shù)據(jù)類型的基本操作（長(zhǎng)文系列第①篇）
牛逼！Python的判斷、循環(huán)和各種表達(dá)式（長(zhǎng)文系列第②篇）