我有一个这样的数据帧:
print(df)
0 1 2
0 354.7 April 4.0
1 55.4 August 8.0
2 176.5 December 12.0
3 95.5 February 2.0
4 85.6 January 1.0
5 152 July 7.0
6 238.7 June 6.0
7 104.8 March 3.0
8 283.5 May 5.0
9 278.8 November 11.0
10 249.6 October 10.0
11 212.7 September 9.0
如您所见，月份不是按日历顺序排列的。因此，我创建了第二列来获取每个月对应的月份号(1-12)。在此基础上，如何根据日历月份的顺序对数据帧进行排序?
当前回答
下面是根据pandas文档的sort_values模板。
DataFrame.sort_values(by, axis=0,
ascending=True,
inplace=False,
kind='quicksort',
na_position='last',
ignore_index=False, key=None)[source]
在这种情况下，它是这样的。
df.sort_values (= [' 2 '])
API参考pandas.DataFrame.sort_values
其他回答
你可能需要在排序后重置索引:
df = df.sort_values('2')
df = df.reset_index(drop=True)
如果您想动态排序列，而不是按字母顺序排序。 并且不想使用pd.sort_values()。 你可以试试下面的解决方案。
问题:在这个序列['A'， 'C'， 'D'， 'B']中排序列"col1"
import pandas as pd
import numpy as np
## Sample DataFrame ##
df = pd.DataFrame({'col1': ['A', 'B', 'D', 'C', 'A']})
>>> df
col1
0 A
1 B
2 D
3 C
4 A
## Solution ##
conditions = []
values = []
for i,j in enumerate(['A','C','D','B']):
conditions.append((df['col1'] == j))
values.append(i)
df['col1_Num'] = np.select(conditions, values)
df.sort_values(by='col1_Num',inplace = True)
>>> df
col1 col1_Num
0 A 0
4 A 0
3 C 1
2 D 2
1 B 3
只是在数据上增加了一些操作。假设我们有一个数据帧df，我们可以做几个操作来得到想要的输出
ID cost tax label
1 216590 1600 test
2 523213 1800 test
3 250 1500 experiment
(df['label'].value_counts().to_frame().reset_index()).sort_values('label', ascending=False)
将给分类输出标签作为一个数据框架
index label
0 test 2
1 experiment 1
使用sort_values根据特定列的值对df进行排序:
In [18]:
df.sort_values('2')
Out[18]:
0 1 2
4 85.6 January 1.0
3 95.5 February 2.0
7 104.8 March 3.0
0 354.7 April 4.0
8 283.5 May 5.0
6 238.7 June 6.0
5 152.0 July 7.0
1 55.4 August 8.0
11 212.7 September 9.0
10 249.6 October 10.0
9 278.8 November 11.0
2 176.5 December 12.0
如果希望按两列排序，则将列标签列表传递给sort_values，其中列标签按照排序优先级排序。如果用df。Sort_values(['2'， '0'])，则结果将按第2列和第0列排序。当然，这对于这个例子来说没有意义，因为df['2']中的每个值都是唯一的。
我尝试了上面的解决方案，但没有达到效果，所以我找到了一个适合我的不同的解决方案。升序=False是将数据帧按降序排列，默认情况下为True。我使用的是python 3.6.6和pandas 0.23.4版本。
final_df = df.sort_values(by=['2'], ascending=False)
你可以在pandas文档中看到更多细节。
