本文主要是介绍pandas 4 - 排序( tcy)，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
排序 2018/12/1 2018/12/15 分类：按索引标签排序，按列值排序，以及两者的组合排序1.1 序列按值，索引排序：
s=pd.Series(np.arange(4),index=list('dabc'))s.sort_values() # 按值排序
s.sort_index(ascending=True) # 按行或列索引排序 1.2序列多索引排序：
arrays = [np.array(['d4', 'd4', 'b2', 'b2','c3', 'c3', 'a1', 'a1']),
np.array(['ss2', 'ss1', 'ss2', 'ss1','ss2', 'ss1', 'ss2', 'ss1'])]
s = pd.Series([1, 2, 3, 4, 5, 6, 7, 8], index=arrays)s.sort_index(level=1) #指定要排序的索引级别
s.sort_index(level=1, sort_remaining=False)#按级别排序时，不按剩余级别排序# s # 输出： # 输出：
# d4 ss2 1 # a1 ss1 8 # d4 ss1 2
# ss1 2 # b2 ss1 4 # b2 ss1 4
# b2 ss2 3 # c3 ss1 6 # c3 ss1 6
# ss1 4 # d4 ss1 2 # a1 ss1 8
# c3 ss2 5 # a1 ss2 7 # d4 ss2 1
# ss1 6 # b2 ss2 3 # b2 ss2 3
# a1 ss2 7 # c3 ss2 5 # c3 ss2 5
# ss1 8 # d4 ss2 1 # a1 ss2 7
# dtype: int64 # dtype: int64 # dtype: int64 2.1数据帧按值排序：
df1 = pd.DataFrame({'A1':[2,1,1,1],'A2':[1,3,2,4],'A3':[5,4,3,2]})
df1[['A1', 'A2', 'A3']].sort_values(by=['A1','A2']) #值按列排序
df1.sort_values(by=3,axis=1) #值按行排序df = pd.DataFrame({'A1' : ['a', 'a', 'b', np.nan, 'd', 'c'],#不能够按行值排序'A2' : [2, 1, 9, 8, 7, 4],'A3': [0, 1, 9, 4, 2, 3]})df.sort_values(by=['A1', 'A2']) #按A1A2列值排序
df.sort_values(by='A1', ascending=False) #按A1列值排序降序# df #输出 #输出
# A1 A2 A3 # A1 A2 A3 # A1 A2 A3
# 0 a 2 0 # 1 a 1 1 # 4 D 7 2
# 1 a 1 1 # 0 a 2 0 # 5 C 4 3
# 2 b 9 9 # 2 b 9 9 # 2 B 9 9
# 3 NaN 8 4 # 5 c 4 3 # 0 A 2 0
# 4 d 7 2 # 4 d 7 2 # 1 A 1 1
# 5 c 4 3 # 3 NaN 8 4 # 3 NaN 8 4 2.2数据帧按索引排序：
df=pd.DataFrame(np.arange(8).reshape(2,4),index=['a','b'],columns=list('DABC'))df.sort_index(axis=0,ascending=True)# 按行标签排序
df.sort_index(axis=1,ascending=True)# 按列标签排序
df.reindex(index=['a', 'b', 'c'], columns=['A', 'B', 'E']) 2.3按索引和值排序：
# 作为by参数可以引用列或索引级别名称。
idx = pd.MultiIndex.from_tuples([('a', 1), ('a', 2), ('a', 2), ('b', 2), ('b', 1), ('b', 1)])
idx.names = ['first', 'second']
df = pd.DataFrame({'A': np.arange(6, 0, -1)},index=idx)df.sort_values(by=['second', 'A'])#按'second'（索引）和'A'（列）排序# df #df.sort_values# A # A
# first second # first second
# a 1 6 # b 1 1
# 2 5 # 1 2
# 2 4 # a 1 6
# b 2 3 # b 2 3
# 1 2 # a 2 4
# 1 1 # 2 5
3.searchsorted()# 1D 查找应该插入元素以维持顺序的索引
s.searchsorted(value, side='left', sorter=None)#查找应该插入元素以维持顺序的索引
s = pd.Series([10,12,13,15])s.searchsorted([10, 13]) # array([0, 2]) <=10都为0
s.searchsorted([10, 14]) # array([0, 3]) >13 and <=15都为3s.searchsorted([11, 13], side='right') # array([1, 3])
s.searchsorted([11, 13], side='left') # array([1, 2], dtype=int64)s = pd.Series([3, 1, 2])
s.searchsorted([0, 3], sorter=np.argsort(s)) # array([0, 2]) 4.最小/最大值索引nsmallest()和nlargest() # 快于head(n)实例1：-Series s = pd.Series([4,2,3,5,6,0,1])
s.sort_values()# 0...6
s.nsmallest(3) # 0 1 2
s.nlargest(3) # 6 5 4
实例2：-DataFrame df = pd.DataFrame({'a': [-2, -1, 1, 10, 8, 11, -1], 'b': list('abdceff'),
'c': [1.0, 2.0, 4.0, 3.2, np.nan, 3.0, 4.0]})df.nlargest(3, 'a') , df.nlargest(3, ['a', 'c'])
df.nsmallest(3, 'a'),df.nsmallest(3, ['a', 'c'])# a b c # a b c
# 0 -2 a 1.0 # 0 -2 a 1.0
# 1 -1 b 2.0 # 1 -1 b 2.0
# 6 -1 f 4.0 # 6 -1 f 4.0 5.rank()返回从小到大排序的下标
s = pd.Series([7,-5,7,4,2,0,4])
s.rank(method='first')#根据值在原数据中出现的顺序排名df=pd.Datadf({'b':[5,7,-3,2],'a':[0,1,0,1],'c':[-2,5,8,-3]})
df.rank(axis=0) #指定要进行排序的轴 备注：
obj.sort_values(axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last')#按值排序
obj.sort_index(axis=0, level=None, ascending=True, inplace=False,kind='quicksort', na_position='last', sort_remaining=True) #按索引标签排序
# 参数：
# axis=0 #轴直接排序。对于系列来说，这只能是0。
# level：int #对指定索引级别的值进行排序。
# ascending=true #默认按升序排序。
# inplace=False #为True则就地执行操作。
# kind： {'quicksort'，'mergesort'，'heapsort'}选择排序算法
# na_position：{'first'，'last'} #将NaN放在开头或最后。
# sort_remaining=True #按级别排序，是否按剩余级别排序
这篇关于pandas 4 - 排序( tcy)的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
![O(n)时间内对[0..n^-1]之间的n个数排序](/front/images/it_default.gif)