目录
5. 使用 .sort_values() 查看按照值排序的数据
5. 使用 .sort_values() 查看按照值排序的数据
5.1 .sort_values() 语法
语法：.sort_values(by, axis=0, ascending = Ture, inplace = Flase, kind = ‘quicksort’,
na_position=‘last’,, ignore_index=False, key=None)
相对于 .sort_index() 函数，此处多了一个 by
- by：可以是字符串（行名或者列名），也可以是是字符串的列表 （多行或者多列），需要配合 axis 使用。 如果axis=0 或者 “index”，那么 by="列名"；如果axis=1 或者 “columns”，那么 by="行名"。注意：必须指定 by 参数，即必须指定哪几行或哪几列；无法根据 index 名和 columns 名排序
- axis：{0 or 'index', 1 or 'columns'}，axis 默认为 0，即指按照行的索引进行排序；axis 设置为 1，即指按照列的索引进行排序
- ascending：布尔值 或布尔值列表，默认为 True，即升序，设置为 False 时候为降序。
- inplace：布尔值, 默认为 False。如果设置为True, 则在原地（原来的数据）进行操作。
- kind : 可以是 'quicksort', 'mergesort', 'heapsort'，默认是 'quicksort'。用户可以自己选用。在数据量很大的时候，kind 是排序性能上很重要的因素。
- na_position：缺失值默认排序，{"first","last"}。默认是“last”。参数“ first”将NaN放在开头，“ last”将NaN放在结尾。
- ignore_index：布尔量，默认为 False，如果为 True, 那么 axis 则是 label 0，1，2；这是新加的
- key：这是一个可调用的函数，即在排序之前先对值执行 key 函数。这有点类似于内置函数 sorted() 函数里面的 key 函数
help(df.sort_values)
Help on method sort_values in module pandas.core.frame: sort_values(by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last', ignore_index=False, key: 'ValueKeyFunc' = None) method of pandas.core.frame.DataFrame instance Sort by the values along either axis. Parameters ---------- by : str or list of str Name or list of names to sort by. - if `axis` is 0 or `'index'` then `by` may contain index levels and/or column labels. - if `axis` is 1 or `'columns'` then `by` may contain column levels and/or index labels. axis : {0 or 'index', 1 or 'columns'}, default 0 Axis to be sorted. ascending : bool or list of bool, default True Sort ascending vs. descending. Specify list for multiple sort orders. If this is a list of bools, must match the length of the by. inplace : bool, default False If True, perform operation in-place. kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort' Choice of sorting algorithm. See also ndarray.np.sort for more information. `mergesort` is the only stable algorithm. For DataFrames, this option is only applied when sorting on a single column or label. na_position : {'first', 'last'}, default 'last' Puts NaNs at the beginning if `first`; `last` puts NaNs at the end. ignore_index : bool, default False If True, the resulting axis will be labeled 0, 1, …, n - 1. .. versionadded:: 1.0.0 key : callable, optional Apply the key function to the values before sorting. This is similar to the `key` argument in the builtin :meth:`sorted` function, with the notable difference that this `key` function should be *vectorized*. It should expect a ``Series`` and return a Series with the same shape as the input. It will be applied to each column in `by` independently. .. versionadded:: 1.1.0 Returns ------- DataFrame or None DataFrame with sorted values or None if ``inplace=True``. See Also -------- DataFrame.sort_index : Sort a DataFrame by the index. Series.sort_values : Similar method for a Series.
5.2 .sort_values() 范例
help 出来的内容就可以先看一遍。
Examples
--------
>>> df = pd.DataFrame({
... 'col1': ['A', 'A', 'B', np.nan, 'D', 'C'],
... 'col2': [2, 1, 9, 8, 7, 4],
... 'col3': [0, 1, 9, 4, 2, 3],
... 'col4': ['a', 'B', 'c', 'D', 'e', 'F']
... })
>>> df
col1 col2 col3 col4
0 A 2 0 a
1 A 1 1 B
2 B 9 9 c
3 NaN 8 4 D
4 D 7 2 e
5 C 4 3 F
Sort by col1
>>> df.sort_values(by=['col1'])
col1 col2 col3 col4
0 A 2 0 a
1 A 1 1 B
2 B 9 9 c
5 C 4 3 F
4 D 7 2 e
3 NaN 8 4 D
Sort by multiple columns
>>> df.sort_values(by=['col1', 'col2'])
col1 col2 col3 col4
1 A 1 1 B
0 A 2 0 a
2 B 9 9 c
5 C 4 3 F
4 D 7 2 e
3 NaN 8 4 D
Sort Descending
>>> df.sort_values(by='col1', ascending=False)
col1 col2 col3 col4
4 D 7 2 e
5 C 4 3 F
2 B 9 9 c
0 A 2 0 a
1 A 1 1 B
3 NaN 8 4 D
Putting NAs first
>>> df.sort_values(by='col1', ascending=False, na_position='first')
col1 col2 col3 col4
3 NaN 8 4 D
4 D 7 2 e
5 C 4 3 F
2 B 9 9 c
0 A 2 0 a
1 A 1 1 B
Sorting with a key function
>>> df.sort_values(by='col4', key=lambda col: col.str.lower())
col1 col2 col3 col4
0 A 2 0 a
1 A 1 1 B
2 B 9 9 c
3 NaN 8 4 D
4 D 7 2 e
5 C 4 3 F
Natural sort with the key argument,
using the `natsort <https://github.com/SethMMorton/natsort>` package.
>>> df = pd.DataFrame({
... "time": ['0hr', '128hr', '72hr', '48hr', '96hr'],
... "value": [10, 20, 30, 40, 50]
... })
>>> df
time value
0 0hr 10
1 128hr 20
2 72hr 30
3 48hr 40
4 96hr 50
>>> from natsort import index_natsorted
>>> df.sort_values(
... by="time",
... key=lambda x: np.argsort(index_natsorted(df["time"]))
... )
time value
0 0hr 10
3 48hr 40
2 72hr 30
4 96hr 50
1 128hr 20
上代码大家就能看清楚了
import pandas as pd
dict_data={"X":["a","d","g","f","i","n"],"Y":["M","N","D","A","C","Y"],"Z":["X","DSF","DST","XX","FGDDSFG","B"]}
df=pd.DataFrame.from_dict(dict_data)
df.index=["01","002","03","004","005","006"]
print(("*"*20+" 初始的 DataFrame 数据"+"*"*20).ljust(80))
print(df)
#按照 Y 列的 value的排序，方向是降序
print(("*"*15+" 打印sort_values(by='Y',ascending=False)的结果"+"*"*15).ljust(80))
print(df.sort_values(by="Y",ascending=False))
#先按照 X 列的 value的排序，方向是升序，然后是按照 Z 列的 value的排序，方向是降序
print(("*"*20+" 打印sort_values(by=['X','Z'],ascending=[True,False])的结果"+"*"*20).ljust(80))
print(df.sort_values(by=["X","Y"],ascending=[True,False]))
# 按照 Z 列的 value的长度排序
print(("*"*15+" 打印sort_values(by='Z',key=lambda x:x.str.len())的结果"+"*"*15).ljust(80))
print(df.sort_values(by='Z',key=lambda x:x.str.len()))运行结果非常理想
******************** 初始的 DataFrame 数据********************
X Y Z
01 a M X
002 d N DSF
03 g D DST
004 f A XX
005 i C FGDDSFG
006 n Y B
*************** 打印sort_values(by='Y',ascending=False)的结果***************
X Y Z
006 n Y B
002 d N DSF
01 a M X
03 g D DST
005 i C FGDDSFG
004 f A XX
******************** 打印sort_values(by=['X','Z'],ascending=[True,False])的结果********************
X Y Z
01 a M X
002 d N DSF
004 f A XX
03 g D DST
005 i C FGDDSFG
006 n Y B
*************** 打印sort_values(by='Z',key=lambda x:x.str.len())的结果***************
X Y Z
01 a M X
006 n Y B
004 f A XX
002 d N DSF
03 g D DST
005 i C FGDDSFG
扫一扫
1300
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
