pandas排序

简介

pandas排序函数。可以（1）按索引排序（2）按某些列排序（3）排位次，新生成一列位次列。

sort_index()按索引排序

语法： DataFrame.sort_index(axis=0, level=None, ascending=True, inplace=False, kind=‘quicksort’, na_position=‘last’, sort_remaining=True)
用途： 按照索引排序，如果是多级索引，level可以指定按那一级排序；axis指定排行索引还是列索引；na_position指定把空值放在最前边还是最后边。
参数说明：

• axis： {0 or ‘index’, 1 or ‘columns’}, default 0
• level： int or level name or list of ints or list of level names。可以是等级名称（列表），等级位置（列表）
• ascending： bool, default True。升序或降序
• inplace： bool, default False。是否原地操作数据对象
• kind： {‘quicksort’, ‘mergesort’, ‘heapsort’}, default ‘quicksort’。排序方法
• na_position： {‘first’, ‘last’}, default ‘last’。把空置放在前边还是后边
• sort_remaining： bool, default True。如果是多级索引，只指定了其中某几级进行排序，可以指定剩余的几级索引是否也排序。

sort_values()按列排序

语法： DataFrame.sort_values(by, axis=0, ascending=True, inplace=False, kind=‘quicksort’, na_position=‘last’)
用途： 按照某列或某几列排序。
参数说明：

• by： str or list of str。排序列
• axis： {0 or ‘index’, 1 or ‘columns’}, default 0。纵向排序or横向排序
• inplace： bool, default False
• kind： {‘quicksort’, ‘mergesort’, ‘heapsort’}, default ‘quicksort’。排序算法
• na_position： {‘first’, ‘last’}, default ‘last’。把NaN放在前边还是后边

rank()排位次

语法： DataFrame.rank(self, axis=0, method=‘average’, numeric_only=None, na_option=‘keep’, ascending=True, pct=False)
用途： 对一列元素进行排序，并生成一列位次列。method可以指定遇到相同元素的排序方式；
参数说明：

• axis： {0 or ‘index’, 1 or ‘columns’}, default 0
• method： {‘average’, ‘min’, ‘max’, ‘first’, ‘dense’}, default ‘average’。遇到相同元素如何排序
  • average：都取取位次的均值，1、4、4、5位次为1、2.5、2.5、3
  • min：都取最小位次，1、4、4、5位次为1、2、2、4
  • max：都取最大位次，1、4、4、5位次为1、3、3、4
  • first：按照元素在数组中出现的顺序取位次
  • dense：紧密排序，1、4、4、5位次为1、2、2、3
• numeric_only： bool, optional。是否只对数值列排序
• na_option： {‘keep’, ‘top’, ‘bottom’}, default ‘keep’。如何处理空值
  • keep：不参与排序，位次列保持NaN
  • top：当成相同元素排在前面
  • bottom：当成相同元素排在后面
• ascending： bool, default True。正序或倒序
• pct： bool, default False。是否以百分比的形式展示位次列

df = pd.DataFrame(data={'Animal':['cat', 'penguin', 'dog', 'spider', 'snake'],
                        'Number_legs': [4, 2, 4, 8, np.nan]})
df['dense_rank'] = df['Number_legs'].rank(method='dense')
df['first_rank'] = df['Number_legs'].rank(method='first')
df['min_rank'] = df['Number_legs'].rank(method='min')
df['max_rank'] = df['Number_legs'].rank(method='max')
df['average_rank'] = df['Number_legs'].rank(method='average')
df['first_rank_pct'] = df['Number_legs'].rank(method='first', pct=True)