文章目錄

• 按索引排序——sort_index()
• • 對Series排序
  • 對DataFrame排序
• 按值排序——sort_value()
• • 對Series進行排序
  • 對DataFrame進行排序

---

按索引排序——sort_index()

sort_index(axis=0, level=None, ascending=True, inplace=False, kind=‘quicksort’, na_position=‘last’,sort_remaining=True)

上述方法中常用參數：

axis：軸索引（排序的方向），0表示按index，1表示按columns

level：若不為None，則對指定索引級別的值進行排序

ascending：是否升序排列，默認為True，表示升序

inplace：默認為False，表示對數據表進行排序，不創建新的實例

kind：選擇排序算法

這里只舉例kind參數的作用，其他參數在下文的應用中會被用到 arrays = [np.array(['qux', 'qux', 'foo', 'foo','baz', 'baz', 'bar', 'bar']),np.array(['two', 'one', 'two', 'one','two', 'one', 'two', 'one'])] s = pd.Series([1, 2, 3, 4, 5, 6, 7, 8], index=arrays) print("s:\n", s) print("s.sort_index(level=0):\n", s.sort_index(level=0)) print("s.sort_index(level=1:\n", s.sort_index(level=1))

輸出結果：

s: qux two 1one 2 foo two 3one 4 baz two 5one 6 bar two 7one 8 dtype: int64s.sort_index(level=0)： bar one 8two 7 baz one 6two 5 foo one 4two 3 qux one 2two 1 dtype: int64s.sort_index(level=1： bar one 8 baz one 6 foo one 4 qux one 2 bar two 7 baz two 5 foo two 3 qux two 1 dtype: int64

---

對Series排序

import pandas as pd import numpy as npser_obj = pd.Series(range(10, 15), index=[5, 1, 3, 1, 2]) print("ser_obj:\n", ser_obj) print("sort:\n", ser_obj.sort_index()) # 升序排列 print("Descending order:\n", ser_obj.sort_index(ascending=False)) # 降序排列

輸出結果：

ser_obj:5 10 1 11 3 12 1 13 2 14 dtype: int64 sort:1 11 1 13 2 14 3 12 5 10 dtype: int64 Descending order:5 10 3 12 2 14 1 11 1 13 dtype: int64

---

對DataFrame排序

df_obj = pd.DataFrame(np.arange(12).reshape(3, 4), index=[2, 1, 3]) print("df_obj:\n", df_obj) print("sort:\n", df_obj.sort_index()) print("Descending order:\n", df_obj.sort_index(axis=1, ascending=False)) # 按columns進行降序排序

輸出結果：

df_obj:0 1 2 3 2 0 1 2 3 1 4 5 6 7 3 8 9 10 11 sort:0 1 2 3 1 4 5 6 7 2 0 1 2 3 3 8 9 10 11 Descending order:3 2 1 0 2 3 2 1 0 1 7 6 5 4 3 11 10 9 8

---

按值排序——sort_value()

sort_value(by, axis=0, ascending=True, inplace=False, kind=‘quicksort’, na_position=‘last’)

上述方法中常用參數：

by： 表示排序的列

na_position：為first則將NaN值放在開頭；為last則將NaN值放在最后

對Series進行排序

ser_obj1 = pd.Series([4, np.nan, 6, np.nan, -3, 2]) print("ser_obj1:\n", ser_obj1) print("ser_obj1.sort_values():\n", ser_obj1.sort_values()) # 按值升序排列 print("sort_values(na_position='first'):\n", ser_obj1.sort_values(na_position='first'))

輸出結果：

ser_obj1:0 4.0 1 NaN 2 6.0 3 NaN 4 -3.0 5 2.0 dtype: float64 ser_obj1.sort_values():4 -3.0 5 2.0 0 4.0 2 6.0 1 NaN 3 NaN dtype: float64 sort_values(na_position='first'):1 NaN 3 NaN 4 -3.0 5 2.0 0 4.0 2 6.0 dtype: float64

---

對DataFrame進行排序

df_obj1 = pd.DataFrame([[0.4, -0.1, -0.3, 0.0],[0.2, 0.6, -0.1, -0.7],[0.8, 0.6, -0.5, 0.1]]) print("df_obj1:\n", df_obj1) print("df1.value:\n", df_obj1.sort_values(by=2, ascending=False)) # 對列索引為2的數據進行降序排序

輸出結果：

df_obj1:0 1 2 3 0 0.4 -0.1 -0.3 0.0 1 0.2 0.6 -0.1 -0.7 2 0.8 0.6 -0.5 0.1 df1.value:0 1 2 3 1 0.2 0.6 -0.1 -0.7 0 0.4 -0.1 -0.3 0.0 2 0.8 0.6 -0.5 0.1

總結

以上是生活随笔為你收集整理的Pandas数据排序——【按索引排序sort_index()方法、按值排序sort_value()方法】的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。