Материал рассматривает как сортировать Series/DataFrame по значениям или по индексу (по возрастанию или убыванию) в модуле pandas, а именно методы сортировки .sort_values() и .sort_index() объектов Series/DataFrame.
DataFrame.sort_values() - сортирует DataFrame по возрастанию или убыванию по значениям вдоль любой оси;Series.sort_values() - сортирует Series по возрастанию или убыванию по какому-либо критерию;DataFrame.sort_index() - сортирует объект DataFrame по индексным меткам строк или столбцов;Series.sort_index() - сортирует объект Series по индексным меткам строк.DataFrame.sort_values(by, *, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last', ignore_index=False, key=None):Метод DataFrame.sort_values() сортирует DataFrame по возрастанию или убыванию по значениям вдоль любой оси axis.
Принимаемые аргументы:
by - имя или список имен для сортировки.axis имеет значение 0 или 'index', то by может содержать уровни индексов и/или метки столбцов.axis имеет значение 1 или 'columns', то by может содержать уровни столбцов и/или метки индексов.axis=0 - ось, подлежащая сортировке. Принимает значения: 0 ('index') или 1 ('columns')ascending=True - сортировка по возрастанию и убыванию. Можно указать список для нескольких порядков сортировки. Если это список логических значений, то он должен совпадать с длиной by.inplace=False - если значение True, то выполняет операцию на месте (не рекомендуется).kind='quicksort' - алгоритм сортировки. Смотрите также numpy.sort() для получения дополнительной информации. Алгоритмы mergesort и stable являются единственными стабильными алгоритмами. Для DataFrames этот параметр применяется только при сортировке по одному столбцу или индексной метке. Принимает следующие строки: 'quicksort', 'mergesort', 'heapsort', 'stable'na_position='last' - помещает NaN вначале если значение 'first' и помещает NaN в конце, если 'last'`.ignore_index=False - если True, то результирующая ось будет помечена как 0, 1, ..., n - 1.key=None - примените ключевую функцию к значениям перед сортировкой. Поведение похоже на аргумент key во встроенной функции sorted(), с той лишь разницей, что эта ключевая функция должна быть векторизована. Она должна ожидать Series и возвращать Series с той же формой, что и входные данные. Итоговый Series будет применен к каждому столбцу по отдельности.DataFrame.sort_values():>>> import pandas as pd >>> import numpy as np >>> df = pd.DataFrame({ ... 'col1': ['A', 'A', 'B', np.nan, 'D', 'C'], ... 'col2': [2, 1, 9, 8, 7, 4], ... 'col3': [0, 1, 9, 4, 2, 3], ... 'col4': ['a', 'B', 'c', 'D', 'e', 'F'] ... }) >>> df # col1 col2 col3 col4 # 0 A 2 0 a # 1 A 1 1 B # 2 B 9 9 c # 3 NaN 8 4 D # 4 D 7 2 e # 5 C 4 3 F
Сортировать по col1:
>>> df.sort_values(by=['col1']) # col1 col2 col3 col4 # 0 A 2 0 a # 1 A 1 1 B # 2 B 9 9 c # 5 C 4 3 F # 4 D 7 2 e # 3 NaN 8 4 D
Сортировка по нескольким столбцам
>>> df.sort_values(by=['col1', 'col2']) # col1 col2 col3 col4 # 1 A 1 1 B # 0 A 2 0 a # 2 B 9 9 c # 5 C 4 3 F # 4 D 7 2 e # 3 NaN 8 4 D
Сортировать по убыванию
>>> df.sort_values(by='col1', ascending=False) # col1 col2 col3 col4 # 4 D 7 2 e # 5 C 4 3 F # 2 B 9 9 c # 0 A 2 0 a # 1 A 1 1 B # 3 NaN 8 4 D
Приоритет в NA
>>> df.sort_values(by='col1', ascending=False, na_position='first') # col1 col2 col3 col4 # 3 NaN 8 4 D # 4 D 7 2 e # 5 C 4 3 F # 2 B 9 9 c # 0 A 2 0 a # 1 A 1 1 B
Сортировка с помощью ключевой функции
>>> df.sort_values(by='col4', key=lambda col: col.str.lower()) # col1 col2 col3 col4 # 0 A 2 0 a # 1 A 1 1 B # 2 B 9 9 c # 3 NaN 8 4 D # 4 D 7 2 e # 5 C 4 3 F
Естественная сортировка с аргументом key при помощи дополнительного модуля natsort
>>> df = pd.DataFrame({ ... "time": ['0hr', '128hr', '72hr', '48hr', '96hr'], ... "value": [10, 20, 30, 40, 50] ... }) >>> df # time value # 0 0hr 10 # 1 128hr 20 # 2 72hr 30 # 3 48hr 40 # 4 96hr 50 >>> from natsort import index_natsorted >>> df.sort_values( ... by="time", ... key=lambda x: np.argsort(index_natsorted(df["time"])) ... ) # time value # 0 0hr 10 # 3 48hr 40 # 2 72hr 30 # 4 96hr 50 # 1 128hr 20
Series.sort_values(*, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last', ignore_index=False, key=None):Метод Series.sort_values() сортирует Series по возрастанию или убыванию по какому-либо критерию.
Принимаемые аргументы:
axis=0 - ось, подлежащая сортировке. Принимает значения: 0 ('index') или 1 ('columns')ascending=True - сортировка по возрастанию и убыванию. Можно указать список для нескольких порядков сортировки. Если это список логических значений, то он должен совпадать с длиной by.inplace=False - если значение True, то выполняет операцию на месте (не рекомендуется).kind='quicksort' - алгоритм сортировки. Смотрите также numpy.sort() для получения дополнительной информации. Алгоритмы mergesort и stable являются единственными стабильными алгоритмами. Для DataFrames этот параметр применяется только при сортировке по одному столбцу или индексной метке. Принимает следующие строки: 'quicksort', 'mergesort', 'heapsort', 'stable'na_position='last' - помещает NaN вначале если значение 'first' и помещает NaN в конце, если 'last'`.ignore_index=False - если True, то результирующая ось будет помечена как 0, 1, ..., n - 1.key=None - примените ключевую функцию к значениям перед сортировкой. Поведение похоже на аргумент key во встроенной функции sorted(), с той лишь разницей, что эта ключевая функция должна быть векторизована. Она должна ожидать Series и возвращать Series с той же формой, что и входные данные. Итоговый Series будет применен к каждому столбцу по отдельности.Series.sort_values():>>> import pandas as pd >>> import numpy as np >>> s = pd.Series([np.nan, 1, 3, 10, 5]) >>> s # 0 NaN # 1 1.0 # 2 3.0 # 3 10.0 # 4 5.0 # dtype: float64
Сортировка значений в порядке возрастания (поведение по умолчанию)
>>> s.sort_values(ascending=True) # 1 1.0 # 2 3.0 # 4 5.0 # 3 10.0 # 0 NaN # dtype: float64
Сортировка значений в порядке убывания
>>> s.sort_values(ascending=False) # 3 10.0 # 4 5.0 # 2 3.0 # 1 1.0 # 0 NaN # dtype: float64
Сортируйте значения, ставя NA на первое место
>>> s.sort_values(na_position='first') # 0 NaN # 1 1.0 # 2 3.0 # 4 5.0 # 3 10.0 # dtype: float64
Сортировка строк
>>> s = pd.Series(['z', 'b', 'd', 'a', 'c']) >>> s # 0 z # 1 b # 2 d # 3 a # 4 c # dtype: object >>> s.sort_values() # 3 a # 1 b # 4 c # 2 d # 0 z # dtype: object
Сортировка с помощью ключевой функции. Ключевой функции будет присвоен ряд значений, и она должна возвращать массив.
>>> s = pd.Series(['a', 'B', 'c', 'D', 'e']) >>> s.sort_values() # 1 B # 3 D # 0 a # 2 c # 4 e # dtype: object >>> s.sort_values(key=lambda x: x.str.lower()) # 0 a # 1 B # 2 c # 3 D # 4 e # dtype: object
Здесь хорошо работают ufunc модуля NumPy. Например, можно отсортировать значения по np.sin
>>> s = pd.Series([-4, -2, 0, 2, 4]) >>> s.sort_values(key=np.sin) # 1 -2 # 4 4 # 2 0 # 0 -4 # 3 2 # dtype: int64
Можно использовать более сложные пользовательские функции, если они ожидают последовательность и возвращают массив
>>> s.sort_values(key=lambda x: (np.tan(x.cumsum()))) # 0 -4 # 3 2 # 4 4 # 1 -2 # 2 0 # dtype: int64
DataFrame.sort_index(*, axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, ignore_index=False, key=None):Метод DataFrame.sort_index() сортирует объект DataFrame по индексным меткам строк или столбцов (вдоль оси).
Возвращает новый DataFrame, отсортированный по метке, если аргумент inplace имеет значение False, в противном случае обновляет исходный DataFrame и возвращает None.
Принимаемые аргументы:
axis=0 - ось, по которой выполняется сортировка. Значение 0 или 'index' обозначает строки, а 1 'columns' - столбцы.level=None - если не None, то выполняет сортировку по значениям в указанных уровнях индекса. Принимает: int или имя уровня или список целых чисел или список имен уровней.ascending=True - сортировка по возрастанию и убыванию. Если индекс является MultiIndex, направление сортировки можно контролировать для каждого уровня отдельно.inplace=False - если значение True, то выполняет операцию на месте (не рекомендуется).kind='quicksort' - алгоритм сортировки. Смотрите также numpy.sort() для получения дополнительной информации. Алгоритмы mergesort и stable являются единственными стабильными алгоритмами. Для DataFrames этот параметр применяется только при сортировке по одному столбцу или индексной метке. Принимает следующие строки: 'quicksort', 'mergesort', 'heapsort', 'stable'na_position='last' - помещает NaN вначале если значение 'first' и помещает NaN в конце, если 'last'. Не реализовано для [MultiIndex`]pandas.MultiIndex.sort_remaining=True - если True и сортировка по уровню и индексу многоуровневая, то выполняет сортировку и по другим уровням (по порядку) после сортировки по указанному уровню.ignore_index=False - если True, то результирующая ось будет помечена как 0, 1, ..., n - 1.key=None - примените ключевую функцию к значениям перед сортировкой. Поведение похоже на аргумент key во встроенной функции sorted(), с той лишь разницей, что эта ключевая функция должна быть векторизована. Она должна ожидать индекс и возвращать индекс той же формы. Для многоиндексных входных данных ключ применяется для каждого уровня.DataFrame.sort_index():>>> import pandas as pd >>> import numpy as np >>> df = pd.DataFrame([1, 2, 3, 4, 5], index=[100, 29, 234, 1, 150], ... columns=['A']) >>> df.sort_index() # A # 1 4 # 29 2 # 100 1 # 150 5 # 234 3
По умолчанию сортируется по возрастанию, для сортировки по убыванию ascending=False
>>> df.sort_index(ascending=False) # A # 234 3 # 150 5 # 100 1 # 29 2 # 1 4
Можно указать ключевую функцию, которая применяется к индексу перед сортировкой. Для MultiIndex она применяется к каждому уровню отдельно.
>>> df = pd.DataFrame({"a": [1, 2, 3, 4]}, index=['A', 'b', 'C', 'd']) >>> df.sort_index(key=lambda x: x.str.lower()) # a # A 1 # b 2 # C 3 # d 4
Series.sort_index(*, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, ignore_index=False, key=None):Метод Series.sort_index() сортирует объект Series по индексным меткам строк.
Возвращает новый DataFrame, отсортированный по метке, если аргумент inplace имеет значение False, в противном случае обновляет исходный DataFrame и возвращает None.
Принимаемые аргументы:
level=None - если не None, то выполняет сортировку по значениям в указанных уровнях индекса. Принимает: int или имя уровня или список целых чисел или список имен уровней.ascending=True - сортировка по возрастанию и убыванию. Если индекс является MultiIndex, направление сортировки можно контролировать для каждого уровня отдельно.inplace=False - если значение True, то выполняет операцию на месте (не рекомендуется).kind='quicksort' - алгоритм сортировки. Смотрите также numpy.sort() для получения дополнительной информации. Алгоритмы mergesort и stable являются единственными стабильными алгоритмами. Для DataFrames этот параметр применяется только при сортировке по одному столбцу или индексной метке. Принимает следующие строки: 'quicksort', 'mergesort', 'heapsort', 'stable'na_position='last' - помещает NaN вначале если значение 'first' и помещает NaN в конце, если 'last'. Не реализовано для [MultiIndex`]pandas.MultiIndex.sort_remaining=True - если True и сортировка по уровню и индексу многоуровневая, то выполняет сортировку и по другим уровням (по порядку) после сортировки по указанному уровню.ignore_index=False - если True, то результирующая ось будет помечена как 0, 1, ..., n - 1.key=None - примените ключевую функцию к значениям перед сортировкой. Поведение похоже на аргумент key во встроенной функции sorted(), с той лишь разницей, что эта ключевая функция должна быть векторизована. Она должна ожидать индекс и возвращать индекс той же формы. Для многоиндексных входных данных ключ применяется для каждого уровня.Series.sort_values():>>> import pandas as pd >>> import numpy as np >>> s = pd.Series(['a', 'b', 'c', 'd'], index=[3, 2, 1, 4]) >>> s.sort_index() # 1 c # 2 b # 3 a # 4 d # dtype: object
Сортировка по убыванию
>>> s.sort_index(ascending=False) # 4 d # 3 a # 2 b # 1 c # dtype: object
По умолчанию NaN помещаются в конец, используя na_position, можно разместить их в начале
>>> s = pd.Series(['a', 'b', 'c', 'd'], index=[3, 2, 1, np.nan]) >>> s.sort_index(na_position='first') # NaN d # 1.0 c # 2.0 b # 3.0 a # dtype: object
Уровень индекса для сортировки
>>> 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) >>> s.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
Не сортирует по оставшимся уровням при сортировке по уровням
>>> s.sort_index(level=1, sort_remaining=False) # qux one 2 # foo one 4 # baz one 6 # bar one 8 # qux two 1 # foo two 3 # baz two 5 # bar two 7 # dtype: int64
Применение ключевой функции перед сортировкой
>>> s = pd.Series([1, 2, 3, 4], index=['A', 'b', 'C', 'd']) >>> s.sort_index(key=lambda x : x.str.lower()) # A 1 # b 2 # C 3 # d 4 # dtype: int64