python?pandas?數(shù)據(jù)排序的幾種常用方法
前言：
pandas中排序的幾種常用方法，主要包括sort_index和sort_values。
基礎數(shù)據(jù)：
import pandas as pd
import numpy as np
data = {
'brand':['Python', 'C', 'C++', 'C#', '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)
print("df數(shù)據(jù)：\n", df, '\n')out：
df數(shù)據(jù)：
A B C D brand years
9 10 4 8 6 Python 4
3 2 6 12 18 C 1
4 5 8 18 14 C++ 1
5 20 12 8 6 C# 30
2 16 10 2 12 Java 30
按行索引排序：
print("按行索引排序:\n", df.sort_index(), '\n')out：
按行索引排序:
A B C D brand years
2 16 10 2 12 Java 30
3 2 6 12 18 C 1
4 5 8 18 14 C++ 1
5 20 12 8 6 C# 30
9 10 4 8 6 Python 4
通過設置參數(shù)ascending可以設置升序或者降序排序，默認情況下ascending=True，為升序排序。
設置ascending=False時，為降序排序。
print("按行索引降序排序:\n", df.sort_index(ascending=False), '\n')out:
按行索引降序排序:
A B C D brand years
9 10 4 8 6 Python 4
5 20 12 8 6 C# 30
4 5 8 18 14 C++ 1
3 2 6 12 18 C 1
2 16 10 2 12 Java 30
按列的名稱排序：
設置參數(shù)axis=1實現(xiàn)按列的名稱排序：
print("按列名稱排序:\n", df.sort_index(axis=1), '\n')out：
按列名稱排序:
A B C D brand years
9 10 4 8 6 Python 4
3 2 6 12 18 C 1
4 5 8 18 14 C++ 1
5 20 12 8 6 C# 30
2 16 10 2 12 Java 30
同樣，也可以設置ascending參數(shù)：
print("按列名稱排序:\n", df.sort_index(axis=1, ascending=False), '\n')out：
按列名稱排序:
years brand D C B A
9 4 Python 6 8 4 10
3 1 C 18 12 6 2
4 1 C++ 14 18 8 5
5 30 C# 6 8 12 20
2 30 Java 12 2 10 16
按數(shù)值排序：
sort_values()是pandas中按數(shù)值排序的函數(shù)：
1、按單個列的值排序
sort_values()中設置單個列的列名，可以對單個列進行排序，通過設置ascending可以設置升序或者降序。
print("按列名稱A排序:\n", df.sort_values('A'), '\n')out：
按列名稱排序:
A B C D brand years
3 2 6 12 18 C 1
4 5 8 18 14 C++ 1
9 10 4 8 6 Python 4
2 16 10 2 12 Java 30
5 20 12 8 6 C# 30
設置ascending=False進行降序排序：
print("按列名稱A降序排序:\n", df.sort_values('A', ascending=False), '\n')out：
按列名稱A降序排序:
A B C D brand years
5 20 12 8 6 C# 30
2 16 10 2 12 Java 30
9 10 4 8 6 Python 4
4 5 8 18 14 C++ 1
3 2 6 12 18 C 1
按多個列的值排序：
先按year列的數(shù)據(jù)進行升序排序，year列相同的再看B列進行升序排序
print("按多個列排序:\n", df.sort_values(['years', 'B']), '\n')out：
按多個列排序:
A B C D brand years
3 2 6 12 18 C 1
4 5 8 18 14 C++ 1
9 10 4 8 6 Python 4
2 16 10 2 12 Java 30
5 20 12 8 6 C# 30
也可以分別設置列的升序、降序來排序：
years列為升序，B列為降序。
print("按多個列排序:\n", df.sort_values(['years', 'B'], ascending=[True, False]), '\n')out：
按多個列排序:
A B C D brand years
4 5 8 18 14 C++ 1
3 2 6 12 18 C 1
9 10 4 8 6 Python 4
5 20 12 8 6 C# 30
2 16 10 2 12 Java 30
inplace使用：
inplace=True：不創(chuàng)建新的對象，直接對原始對象進行修改；默認是False，即創(chuàng)建新的對象進行修改，原對象不變，和深復制和淺復制有些類似。
df.sort_values('A', inplace=True)
print("按A列排序:\n", df, '\n')out:
按A列排序:
A B C D brand years
3 2 6 12 18 C 1
4 5 8 18 14 C++ 1
9 10 4 8 6 Python 4
2 16 10 2 12 Java 30
5 20 12 8 6 C# 30
缺失值：
含有nan值的數(shù)據(jù)排序：
data = {
'brand':['Python', 'C', 'C++', 'C#', 'Java'],
'B':[4,6,8,np.nan,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)
print("df數(shù)據(jù)：\n", df, '\n')out:
df數(shù)據(jù)：
A B C D brand years
9 10 4.0 8 6 Python 4
3 2 6.0 12 18 C 1
4 5 8.0 18 14 C++ 1
5 20 NaN 8 6 C# 30
2 16 10.0 2 12 Java 30
B列含有nan值，對B列進行排序，缺失值排在最前面：
print("按B列排序:\n", df.sort_values('B', na_position='first'), '\n')按B列排序:
A B C D brand years
5 20 NaN 8 6 C# 30
9 10 4.0 8 6 Python 4
3 2 6.0 12 18 C 1
4 5 8.0 18 14 C++ 1
2 16 10.0 2 12 Java 30
包含缺失值，缺失值排在最后：
print("按B列排序:\n", df.sort_values('B', na_position='last'), '\n')out：
按B列排序:
A B C D brand years
9 10 4.0 8 6 Python 4
3 2 6.0 12 18 C 1
4 5 8.0 18 14 C++ 1
2 16 10.0 2 12 Java 30
5 20 NaN 8 6 C# 30
到此這篇關于python pandas 數(shù)據(jù)排序的幾種常用方法的文章就介紹到這了,更多相關python pandas內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
- Python數(shù)據(jù)分析Pandas?Dataframe排序操作
- Pandas數(shù)值排序 sort_values()的使用
- pandas.DataFrame Series排序的使用(sort_values，sort_index)
- pandas中按行或列的值對數(shù)據(jù)排序的實現(xiàn)
- pandas?dataframe按照列名給列排序三種方法
- Python使用pandas實現(xiàn)對數(shù)據(jù)進行特定排序
- Python利用pandas對數(shù)據(jù)進行特定排序
- pandas中DataFrame排序及分組排序的實現(xiàn)示例
- pandas中數(shù)據(jù)的排序與排名的具體使用
- Pandas排序和分組排名(sort和rank)的實現(xiàn)
相關文章
本文深入探討Python中字符串比較的多種方法,并通過豐富的示例代碼演示如何靈活運用這些技巧,從基本的相等性檢查到更高級的正則表達式模式匹配,讀者將了解如何利用Python強大的字符串處理功能,提高對字符串數(shù)據(jù)的操作技能,以解決日常編程任務中的挑戰(zhàn)2023-12-12
正則化DropPath/drop_path用法示例(Python實現(xiàn))
DropPath 類似于Dropout,不同的是 Drop將深度學習模型中的多分支結構隨機"失效",而Dropout是對神經(jīng)元隨機"失效"這篇文章主要給大家介紹了關于正則化DropPath/drop_path用法的相關資料,需要的朋友可以參考下2022-04-04
Python+MediaPipe實現(xiàn)檢測人臉功能詳解
MediaPipe是用于構建多模態(tài)（例如視頻、音頻或任何時間序列數(shù)據(jù)）、跨平臺（即eAndroid、IOS、web、邊緣設備）應用ML管道的框架。本文將利用MediaPipe實現(xiàn)檢測人臉功能，需要的可以參考一下2022-02-02
python的pytest框架之命令行參數(shù)詳解（下）
這篇文章主要介紹了python的pytest框架之命令行參數(shù)詳解，今天將繼續(xù)更新其他一些命令選項的使用，和pytest收集測試用例的規(guī)則,需要的朋友可以參考下2019-06-06
Python爬蟲實現(xiàn)獲取動態(tài)gif格式搞笑圖片的方法示例
這篇文章主要介紹了Python爬蟲實現(xiàn)獲取動態(tài)gif格式搞笑圖片的方法,結合實例形式分析了Python針對gif格式圖片的爬取、下載等相關操作技巧,需要的朋友可以參考下2018-12-12
python結合selenium獲取XX省交通違章數(shù)據(jù)的實現(xiàn)思路及代碼
這篇文章主要介紹了python結合selenium獲取XX省交通違章數(shù)據(jù)的實現(xiàn)思路及代碼方法的相關資料2016-06-06
今天小編就為大家分享一篇用python求一重積分和二重積分的例子，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-12-12
這里將為大家來詳解Python的Flask框架中的signals信號機制,包括講述信號的用途,并給出創(chuàng)建信號、訂閱信號、發(fā)送信號的方法,需要的朋友可以參考下2016-06-06
把django中admin后臺界面的英文修改為中文顯示的方法
今天小編就為大家分享一篇把django中admin后臺界面的英文修改為中文顯示的方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-07-07
這篇文章主要介紹了Python通過len函數(shù)返回對象長度,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-10-10