135 lines
3.3 KiB
Markdown
135 lines
3.3 KiB
Markdown
|
# 在 Python 中对数据帧进行排序—循序渐进
|
|||
|
|
|
|||
|
|
> 原文：<https://www.askpython.com/python-modules/pandas/sorting-a-dataframe>
|
|||
|
|
|
|||
|
|
嘿，读者们！在本文中，我们将详细关注 Python 中对数据帧的**排序。所以，让我们开始吧！**
|
|||
|
|
|
|||
|
|
* * *
|
|||
|
|
|
|||
|
|
## 使用 sort_values()函数对数据帧进行排序
|
|||
|
|
|
|||
|
|
[Python Pandas 模块](https://www.askpython.com/python-modules/pandas/python-pandas-module-tutorial)为我们提供了各种处理大数据记录的函数。在根据数据帧处理数据记录时，我们经常会遇到需要对数据进行排序并表示输出的情况。
|
|||
|
|
|
|||
|
|
就在这时，Python*pandas . data frame . sort _ values()*函数出现了。
|
|||
|
|
|
|||
|
|
`sort_values() function`以定制的方式按**升序**或**降序**对数据进行排序。
|
|||
|
|
|
|||
|
|
现在，让我们在下一节集中讨论函数的结构。
|
|||
|
|
|
|||
|
|
* * *
|
|||
|
|
|
|||
|
|
## Python 中 sort_values()函数的语法
|
|||
|
|
|
|||
|
|
看看下面的语法！
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
pandas.DataFrame.sort_values(by, axis=0, ascending=True, kind=’mergesort’)
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
* **by** :表示要排序的列的列表。
|
|||
|
|
* **轴** : 0 表示按行排序，1 表示按列排序。
|
|||
|
|
* **升序**:如果为真，则按升序对数据帧进行排序。
|
|||
|
|
* **种类**:可以有三个值:`Quicksort`、`mergesort` 或`heapsort`。
|
|||
|
|
|
|||
|
|
现在，让我们在下一节中关注 sort_values()函数的实现。
|
|||
|
|
|
|||
|
|
* * *
|
|||
|
|
|
|||
|
|
## Python 中对数据帧进行排序的示例代码
|
|||
|
|
|
|||
|
|
在这个例子中，我们已经用`pandas.dataframe()`函数初步创建了一个数据帧。此外，我们已经使用 sort_values()函数按降序对“RATE”列进行了排序。
|
|||
|
|
|
|||
|
|
**举例:**
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
import pandas as pd
|
|||
|
|
data = pd.DataFrame([[3,0,1], [4,4,4], [1,7,7], [10,10,10]],
|
|||
|
|
index=['Python', 'Java', 'C','Kotlin'],
|
|||
|
|
columns=['RATE','EE','AA'])
|
|||
|
|
|
|||
|
|
sort = data.sort_values("RATE", axis = 0, ascending = False)
|
|||
|
|
|
|||
|
|
print("Data before sorting:\n")
|
|||
|
|
print(data)
|
|||
|
|
|
|||
|
|
print("Data after sorting:\n")
|
|||
|
|
print(sort)
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
**输出:**
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
Data before sorting:
|
|||
|
|
|
|||
|
|
RATE EE AA
|
|||
|
|
Python 3 0 1
|
|||
|
|
Java 4 4 4
|
|||
|
|
C 1 7 7
|
|||
|
|
Kotlin 10 10 10
|
|||
|
|
Data after sorting:
|
|||
|
|
|
|||
|
|
RATE EE AA
|
|||
|
|
Kotlin 10 10 10
|
|||
|
|
Java 4 4 4
|
|||
|
|
Python 3 0 1
|
|||
|
|
C 1 7 7
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
在下面的例子中，我们按两列对上述数据帧进行了排序，即“EE”和“AA ”,如下所示。
|
|||
|
|
|
|||
|
|
**举例:**
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
import pandas as pd
|
|||
|
|
data = pd.DataFrame([[3,0,1], [4,4,4], [1,7,7], [10,10,10]],
|
|||
|
|
index=['Python', 'Java', 'C','Kotlin'],
|
|||
|
|
columns=['RATE','EE','AA'])
|
|||
|
|
|
|||
|
|
sort = data.sort_values(["EE","AA"], axis = 0, ascending = True)
|
|||
|
|
|
|||
|
|
print("Data before sorting:\n")
|
|||
|
|
print(data)
|
|||
|
|
|
|||
|
|
print("Data after sorting:\n")
|
|||
|
|
print(sort)
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
**输出:**
|
|||
|
|
|
|||
|
|
如下图所示，数据框分别按照列“EE”和“AA”以升序排序。
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
Data before sorting:
|
|||
|
|
|
|||
|
|
RATE EE AA
|
|||
|
|
Python 3 0 1
|
|||
|
|
Java 4 4 4
|
|||
|
|
C 1 7 7
|
|||
|
|
Kotlin 10 10 10
|
|||
|
|
Data after sorting:
|
|||
|
|
|
|||
|
|
RATE EE AA
|
|||
|
|
Python 3 0 1
|
|||
|
|
Java 4 4 4
|
|||
|
|
C 1 7 7
|
|||
|
|
Kotlin 10 10 10
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
* * *
|
|||
|
|
|
|||
|
|
## 结论
|
|||
|
|
|
|||
|
|
到此，我们就结束了这个话题。我们已经了解了 sort_values()函数对数据帧进行排序的功能。
|
|||
|
|
|
|||
|
|
如果你遇到任何问题，欢迎在下面评论。更多与 Python 相关的此类帖子，敬请关注，继续学习！
|
|||
|
|
|
|||
|
|
* * *
|
|||
|
|
|
|||
|
|
## 参考
|
|||
|
|
|
|||
|
|
* [Python sort_values()函数—文档](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.sort_values.html)
|