1、說明
DataFrame中的排序分為兩種，一種是對索引排序，一種是對值進行排序。
索引排序：sort_index()；
值排序：sort_values()；
值排名：rank()
對於索引排序，涉及到對行索引、列索引的排序，並且還涉及到是升序還是降序。函數df.sort_index(axis= , ascending= , inplace=)，需要特別注意這三個參數。axis表示對行操作，還是對列操作；ascending表示升序，還是降序操作。
對於值排序，同樣也是涉及到行、列排序問題，升序、降序排列問題。函數df.sort_values(by= , axis= , ascending= , inplace=),也需要特別注意這幾個參數，只是多了一個by操作，需要我們指明是按照哪一行或哪一列，進行排序的。
注意：axis=0表示對行操作，axis=1表示對列進行操作；ascending=True表示升序，ascending=False表示降序；inplace=True表示對原始DataFrame本身操作，因此不需要賦值操作，inplace=False相當於是對原始DataFrame的拷貝，之后的一些操作都是針對這個拷貝文件進行操作的，因此需要我們賦值給一個變量，保存操作后的結果。
2、索引排序：df.sort_index()
① 對行索引，進行升序排列
df = pd.DataFrame({"A":[1,3,5,7,9],
"D":[1,2,3,4,5],
"C":[3,6,9,12,15],
"B":[2,4,6,8,10]},
index=list("acbed"))
display(df)
display(id(df))
df.sort_index(axis=0,ascending=True,inplace=True)
display(df)
display(id(df))
df1 = df.sort_index(axis=0,ascending=True)
display(df1)
display(id(df1))
結果如下：
② 對列索引，進行降序排列
df = pd.DataFrame({"A":[1,3,5,7,9],
"D":[1,2,3,4,5],
"C":[3,6,9,12,15],
"B":[2,4,6,8,10]},
index=list("acbed"))
display(df)
df.sort_index(axis=1,ascending=False,inplace=True)
display(df)
結果如下：
3、值排序：df.sort_values()
① 對某一列進行升序排列(有實際意義)
df = pd.DataFrame({"A":[3,1,5,9,7],
"D":[4,1,2,5,3],
"C":[3,15,9,6,12],
"B":[2,4,6,10,8]},
index=list("acbed"))
display(df)
df.sort_values(by="A",axis=0,ascending=True,inplace=True)
display(df)
結果如下：
② 對某一行進行降序排列(實際意義不大)
df = pd.DataFrame({"A":[3,1,5,9,7],
"D":[4,1,2,5,3],
"C":[3,15,9,6,12],
"B":[2,4,6,10,8]},
index=list("acbed"))
display(df)
df.sort_values(by="A",axis=1,ascending=False,inplace=True)
display(df)
結果如下：
③ 對多列進行聯合排序(重要)
df = pd.DataFrame({"A":[3,1,3,9,7],
"D":[666,1,888,5,3],
"C":[3,15,9,6,12],
"B":[2,4,6,10,8]},
index=list("acbed"))
display(df)
df.sort_values(by=["A","D"],axis=0,ascending=[True,False],inplace=True)
df
結果如下：
注意：上圖中，我們分別按照A和D這個列進行排序，先按照A列做升序排列，當A列中具有相同值的時候，就按照D列做降序排列。
4、sort_values()中的na_position參數
na_position參數用於設定缺失值的顯示位置，first表示缺失值顯示在最前面；last表示缺失值顯示在最后面。
df = pd.DataFrame({"A":[10,8,np.nan,2,4],
"D":[1,7,5,3,8],
"B":[5,2,8,4,1]},
index=list("abcde"))
display(df)
df.sort_values(by="A",axis=0,inplace=True,na_position="first")
display(df)
df.sort_values(by="A",axis=0,inplace=True,na_position="last")
display(df)
結果如下：
5、“值排名”：rank()函數
1）rank()函數的常用參數說明
2）原始數據
x = {"name":["張三","李四","王五","趙六","鄭七","陳八","黃九","孫十"],
"sales":[60,40,50,40,30,80,70,60]}
df = pd.DataFrame(x)
display(df)
結果如下：
3）rank()函數使用如下
① method="first"
x = {"name":["張三","李四","王五","趙六","鄭七","陳八","黃九","孫十"],
"sales":[60,40,50,40,30,80,70,60]}
df = pd.DataFrame(x)
display(df)
df["排名"] = df["sales"].rank(method="first")
display(df)
結果如下：
② method="min"
x = {"name":["張三","李四","王五","趙六","鄭七","陳八","黃九","孫十"],
"sales":[60,40,50,40,30,80,70,60]}
df = pd.DataFrame(x)
display(df)
df["排名"] = df["sales"].rank(method="min")
display(df)
結果如下：
③ method="max"
x = {"name":["張三","李四","王五","趙六","鄭七","陳八","黃九","孫十"],
"sales":[60,40,50,40,30,80,70,60]}
df = pd.DataFrame(x)
display(df)
df["排名"] = df["sales"].rank(method="max")
display(df)
結果如下：
④ method="average"
x = {"name":["張三","李四","王五","趙六","鄭七","陳八","黃九","孫十"],
"sales":[60,40,50,40,30,80,70,60]}
df = pd.DataFrame(x)
display(df)
df["排名"] = df["sales"].rank(method="average")
display(df)
結果如下：
