跳到主要内容

Pandas 排序

在数据分析中，排序是一个常见的操作。Pandas 提供了强大的排序功能，允许我们根据一列或多列的值对数据进行排序。本文将详细介绍如何使用 Pandas 进行数据排序，并通过实际案例展示其应用场景。

1. 按单列排序​

最简单的排序方式是按单列的值进行排序。Pandas 提供了 sort_values() 方法来实现这一功能。

示例代码​

python
import pandas as pd

# 创建一个示例 DataFrame
data = {
    'Name': ['Alice', 'Bob', 'Charlie', 'David'],
    'Age': [25, 30, 22, 35],
    'Salary': [50000, 60000, 45000, 70000]
}

df = pd.DataFrame(data)

# 按 'Age' 列升序排序
sorted_df = df.sort_values(by='Age')

print(sorted_df)

输出结果​

      Name  Age  Salary
2  Charlie   22   45000
0    Alice   25   50000
1      Bob   30   60000
3    David   35   70000
提示

默认情况下，sort_values() 方法按升序排序。如果你想按降序排序，可以设置 ascending=False。

2. 按多列排序​

在某些情况下，我们可能需要根据多列的值进行排序。Pandas 允许我们通过传递一个列名列表来实现多列排序。

示例代码​

python
# 按 'Age' 列升序排序，然后按 'Salary' 列降序排序
sorted_df = df.sort_values(by=['Age', 'Salary'], ascending=[True, False])

print(sorted_df)

输出结果​

      Name  Age  Salary
2  Charlie   22   45000
0    Alice   25   50000
1      Bob   30   60000
3    David   35   70000
备注

在多列排序中，ascending 参数可以是一个布尔值列表，分别对应每一列的排序顺序。

3. 按索引排序​

除了按列排序，Pandas 还允许我们按索引进行排序。使用 sort_index() 方法可以轻松实现这一点。

示例代码​

python
# 按索引降序排序
sorted_df = df.sort_index(ascending=False)

print(sorted_df)

输出结果​

      Name  Age  Salary
3    David   35   70000
2  Charlie   22   45000
1      Bob   30   60000
0    Alice   25   50000

4. 实际应用场景​

假设你有一份员工数据表，包含员工的姓名、年龄和工资。你可能需要根据年龄或工资对员工进行排序，以便更好地分析数据。

示例场景​

python
# 按工资降序排序，找出工资最高的员工
top_earners = df.sort_values(by='Salary', ascending=False)

print(top_earners)

输出结果​

      Name  Age  Salary
3    David   35   70000
1      Bob   30   60000
0    Alice   25   50000
2  Charlie   22   45000
警告

在实际应用中，排序可能会改变数据的原始顺序，因此在排序前最好备份原始数据。

5. 总结​

通过本文，我们学习了如何使用 Pandas 对数据进行排序，包括按单列、多列和索引排序。排序是数据分析中的基本操作，掌握这些技巧将帮助你更好地理解和处理数据。

6. 附加资源与练习​

  • 练习 1: 创建一个包含学生姓名、成绩和班级的 DataFrame，按成绩降序排序，并找出成绩最高的学生。
  • 练习 2: 尝试对 DataFrame 进行多列排序，先按班级升序排序，再按成绩降序排序。
注意

在练习中，确保你理解每一行代码的作用，并尝试修改参数以观察不同的输出结果。

希望本文对你理解 Pandas 排序有所帮助！继续练习，你将很快掌握这一重要技能。