2024-04-24 06:17:28 发布
网友
假设我有一个包含a、b和c列的数据帧,我想按列b的升序和按列c的降序对数据帧进行排序,我该怎么做?
a
b
c
从pandas 0.17.0开始,DataFrame.sort()已被弃用,并将在pandas的未来版本中删除。按值对数据帧排序的方法现在是DataFrame.sort_values
DataFrame.sort()
DataFrame.sort_values
因此,现在你的问题的答案是
df.sort_values(['b', 'c'], ascending=[True, False], inplace=True)
在0.17.0版本中,^{}方法被弃用,取而代之的是^{}。sort在0.20.0版本中被完全删除。参数(和结果)保持不变:
sort
df.sort_values(['a', 'b'], ascending=[True, False])
可以使用^{}的升序参数:
df.sort(['a', 'b'], ascending=[True, False])
例如:
In [11]: df1 = pd.DataFrame(np.random.randint(1, 5, (10,2)), columns=['a','b']) In [12]: df1.sort(['a', 'b'], ascending=[True, False]) Out[12]: a b 2 1 4 7 1 3 1 1 2 3 1 2 4 3 2 6 4 4 0 4 3 9 4 3 5 4 1 8 4 1
如@renadeen评论
Sort isn't in place by default! So you should assign result of the sort method to a variable or add inplace=True to method call.
也就是说,如果要将df1重用为已排序的数据帧:
df1 = df1.sort(['a', 'b'], ascending=[True, False])
或者
df1.sort(['a', 'b'], ascending=[True, False], inplace=True)
对于数值数据的大型数据帧,可以通过^{}看到显著的性能改进,它使用键序列执行间接排序:
import pandas as pd import numpy as np np.random.seed(0) df1 = pd.DataFrame(np.random.randint(1, 5, (10,2)), columns=['a','b']) df1 = pd.concat([df1]*100000) def pdsort(df1): return df1.sort_values(['a', 'b'], ascending=[True, False]) def lex(df1): arr = df1.values return pd.DataFrame(arr[np.lexsort((-arr[:, 1], arr[:, 0]))]) assert (pdsort(df1).values == lex(df1).values).all() %timeit pdsort(df1) # 193 ms per loop %timeit lex(df1) # 143 ms per loop
一个特点是用numpy.lexsort定义的排序顺序是相反的:(-'b', 'a')首先按序列a排序。我们否定序列b,以反映我们希望这个序列按降序排列。
numpy.lexsort
(-'b', 'a')
从pandas 0.17.0开始,
DataFrame.sort()
已被弃用,并将在pandas的未来版本中删除。按值对数据帧排序的方法现在是DataFrame.sort_values
因此,现在你的问题的答案是
在0.17.0版本中,^{} 方法被弃用,取而代之的是^{} 。
sort
在0.20.0版本中被完全删除。参数(和结果)保持不变:可以使用^{} 的升序参数:
例如:
如@renadeen评论
也就是说,如果要将df1重用为已排序的数据帧:
或者
对于数值数据的大型数据帧,可以通过^{} 看到显著的性能改进,它使用键序列执行间接排序:
一个特点是用
numpy.lexsort
定义的排序顺序是相反的:(-'b', 'a')
首先按序列a
排序。我们否定序列b
,以反映我们希望这个序列按降序排列。相关问题 更多 >
编程相关推荐