Python Pandas - sortowanie

W Pandach dostępne są dwa rodzaje sortowania. Oni są -

Według etykiety
Rzeczywista wartość

Rozważmy przykład z wyjściem.

import pandas as pd
import numpy as np

unsorted_df=pd.DataFrame(np.random.randn(10,2),index=[1,4,6,2,3,5,9,8,0,7],colu
mns=['col2','col1'])
print unsorted_df

Jego output wygląda następująco -

col2       col1
1  -2.063177   0.537527
4   0.142932  -0.684884
6   0.012667  -0.389340
2  -0.548797   1.848743
3  -1.044160   0.837381
5   0.385605   1.300185
9   1.031425  -1.002967
8  -0.407374  -0.435142
0   2.237453  -1.067139
7  -1.445831  -1.701035

W unsorted_df, the labels i valuessą nieposortowane. Zobaczmy, jak można je posortować.

Według etykiety

Używając sort_index(), przekazując argumenty osi i kolejność sortowania, można sortować DataFrame. Domyślnie sortowanie jest wykonywane na etykietach wierszy w kolejności rosnącej.

import pandas as pd
import numpy as np

unsorted_df = pd.DataFrame(np.random.randn(10,2),index=[1,4,6,2,3,5,9,8,0,7],colu
   mns = ['col2','col1'])

sorted_df=unsorted_df.sort_index()
print sorted_df

Jego output wygląda następująco -

col2       col1
0   0.208464   0.627037
1   0.641004   0.331352
2  -0.038067  -0.464730
3  -0.638456  -0.021466
4   0.014646  -0.737438
5  -0.290761  -1.669827
6  -0.797303  -0.018737
7   0.525753   1.628921
8  -0.567031   0.775951
9   0.060724  -0.322425

Kolejność sortowania

Przekazując wartość logiczną do parametru rosnącego, można kontrolować kolejność sortowania. Rozważmy następujący przykład, aby zrozumieć to samo.

import pandas as pd
import numpy as np

unsorted_df = pd.DataFrame(np.random.randn(10,2),index=[1,4,6,2,3,5,9,8,0,7],colu
   mns = ['col2','col1'])

sorted_df = unsorted_df.sort_index(ascending=False)
print sorted_df

Jego output wygląda następująco -

col2        col1
9    0.825697    0.374463
8   -1.699509    0.510373
7   -0.581378    0.622958
6   -0.202951    0.954300
5   -1.289321   -1.551250
4    1.302561    0.851385
3   -0.157915   -0.388659
2   -1.222295    0.166609
1    0.584890   -0.291048
0    0.668444   -0.061294

Sortuj kolumny

Przekazując argument osi o wartości 0 lub 1, sortowanie można przeprowadzić na etykietach kolumn. Domyślnie axis = 0, sortuj według wiersza. Rozważmy następujący przykład, aby zrozumieć to samo.

import pandas as pd
import numpy as np
 
unsorted_df = pd.DataFrame(np.random.randn(10,2),index=[1,4,6,2,3,5,9,8,0,7],colu
   mns = ['col2','col1'])
 
sorted_df=unsorted_df.sort_index(axis=1)

print sorted_df

Jego output wygląda następująco -

col1        col2
1   -0.291048    0.584890
4    0.851385    1.302561
6    0.954300   -0.202951
2    0.166609   -1.222295
3   -0.388659   -0.157915
5   -1.551250   -1.289321
9    0.374463    0.825697
8    0.510373   -1.699509
0   -0.061294    0.668444
7    0.622958   -0.581378

Według wartości

Jak sortowanie indeksów, sort_values()to metoda sortowania według wartości. Akceptuje argument „by”, który będzie używał nazwy kolumny DataFrame, z którą mają być sortowane wartości.

import pandas as pd
import numpy as np

unsorted_df = pd.DataFrame({'col1':[2,1,1,1],'col2':[1,3,2,4]})
   sorted_df = unsorted_df.sort_values(by='col1')

print sorted_df

Jego output wygląda następująco -

col1  col2
1    1    3
2    1    2
3    1    4
0    2    1

Obserwuj, wartości col1 są sortowane, a odpowiednia wartość col2 i indeks wiersza będą się zmieniać wraz z col1. Dlatego wyglądają na niesortowane.

'by' argument przyjmuje listę wartości kolumn.

import pandas as pd
import numpy as np

unsorted_df = pd.DataFrame({'col1':[2,1,1,1],'col2':[1,3,2,4]})
   sorted_df = unsorted_df.sort_values(by=['col1','col2'])

print sorted_df

Jego output wygląda następująco -

Algorytm sortowania

sort_values()zapewnia możliwość wyboru algorytmu z łączenia, heapsort i quicksort. Mergesort to jedyny stabilny algorytm.

import pandas as pd
import numpy as np

unsorted_df = pd.DataFrame({'col1':[2,1,1,1],'col2':[1,3,2,4]})
sorted_df = unsorted_df.sort_values(by='col1' ,kind='mergesort')

print sorted_df

Jego output wygląda następująco -

col1 col2
1    1    3
2    1    2
3    1    4
0    2    1