作者|B. Chen
編譯|VK
來源|Towards Data Science
Pandas DataFrame有一個內置方法sort_values()，可以根據給定的變量對值進行排序。該方法本身使用起來相當簡單，但是它不適用於自定義排序，例如，
-
t恤尺寸：XS、S、M、L和XL
-
月份：一月、二月、三月、四月等
-
星期幾：周一、周二、周三、周四、周五、周六和周日。
在本文中，我們將了解如何對Pandas DataFrame進行自定義排序。
請查看我的Github repo以獲取源代碼:https://github.com/BindiChen/machine-learning/blob/master/data-analysis/017-pandas-custom-sort/pandas-custom-sort.ipynb
問題
假設我們有一個關於服裝店的數據集：
df = pd.DataFrame({
'cloth_id': [1001, 1002, 1003, 1004, 1005, 1006],
'size': ['S', 'XL', 'M', 'XS', 'L', 'S'],
})
我們可以看到，每一塊布料都有一個尺寸值，數據應該按以下順序排序：
-
XS代表特大號
-
S代表小號
-
M代表中號
-
L代表大號
-
XL為特大號
但是，當調用sort_values('size')時，將得到以下輸出。
輸出不是我們想要的，但它在技術上是正確的。實際上，sort_values()是按數字順序對數值數據排序，對對象數據按字母順序排序。
以下是兩種常見的解決方案：
-
為自定義排序創建新列
-
使用CategoricalDtype將數據強制轉換為具有有序性的類別類型
為自定義排序創建新列
在這個解決方案中，需要一個映射數據幀來表示一個自定義排序，然后根據映射創建一個新的列，最后我們可以按新列對數據進行排序。讓我們通過一個例子來看看這是如何工作的。
首先，讓我們創建一個映射數據幀來表示自定義排序。
df_mapping = pd.DataFrame({
'size': ['XS', 'S', 'M', 'L', 'XL'],
})
sort_mapping = df_mapping.reset_index().set_index('size')
之后，使用sort_mapping中的映射值創建一個新的列 size_num。
df['size_num'] = df['size'].map(sort_mapping['index'])
最后，按新的列大小對值進行排序。
df.sort_values('size_num')
這當然是我們的工作。但它創建了一個備用列，在處理大型數據集時效率可能會降低。
我們可以使用CategoricalDtype更有效地解決這個問題。
使用CategoricalDtype將數據強制轉換為具有有序性的類別類型
CategoricalDtype是具有類別和順序的分類數據的類型[1]。它對於創建自定義排序非常有用[2]。讓我們通過一個例子來看看這是如何工作的。
首先，讓我們導入CategoricalDtype。
from pandas.api.types import CategoricalDtype
然后，創建一個自定義類別類型cat_size_order
-
第一個參數設置為['XS'、'S'、'M'、'L'、'XL']作為尺寸的唯一值。
-
第二個參數ordered=True，將此變量視為有序。
cat_size_order = CategoricalDtype(
['XS', 'S', 'M', 'L', 'XL'],
ordered=True
)
然后，調用astype(cat_size_order)將大小數據強制轉換為自定義類別類型。通過運行df['size']，我們可以看到size列已經被轉換為一個類別類型，其順序為[XS<S<M<L<XL]。
>>> df['size'] = df['size'].astype(cat_size_order)
>>> df['size']
0 S
1 XL
2 M
3 XS
4 L
5 S
Name: size, dtype: category
Categories (5, object): [XS < S < M < L < XL]
最后，我們可以調用相同的方法對值進行排序。
df.sort_values('size')
這樣效果更好。讓我們來看看原理是什么。
使用cat的codes屬性訪問
現在size列已經被轉換為category類型，我們可以使用.cat訪問器以查看分類屬性。在幕后，它使用codes屬性來表示有序變量的大小。
讓我們創建一個新的列代碼，這樣我們可以並排比較大小和代碼值。
df['codes'] = df['size'].cat.codes
df
我們可以看到XS、S、M、L和XL的代碼分別為0、1、2、3、4和5。codes是類別實際值。通過運行df.info()，我們可以看到實際上是int8。
>>> df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 6 entries, 0 to 5
Data columns (total 3 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 cloth_id 6 non-null int64
1 size 6 non-null category
2 codes 6 non-null int8
dtypes: category(1), int64(1), int8(1)
memory usage: 388.0 bytes
按多個變量排序
接下來，讓我們把事情變得更復雜一點。這里，我們將按多個變量對數據幀進行排序。
df = pd.DataFrame({
'order_id': [1001, 1002, 1003, 1004, 1005, 1006, 1007],
'customer_id': [10, 12, 12, 12, 10, 10, 10],
'month': ['Feb', 'Jan', 'Jan', 'Feb', 'Feb', 'Jan', 'Feb'],
'day_of_week': ['Mon', 'Wed', 'Sun', 'Tue', 'Sat', 'Mon', 'Thu'],
})
類似地，讓我們創建兩個自定義類別類型cat_day_of_week和cat_month，並將它們傳遞給astype()。
cat_day_of_week = CategoricalDtype(
['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun'],
ordered=True
)
cat_month = CategoricalDtype(
['Jan', 'Feb', 'Mar', 'Apr'],
ordered=True,
)
df['day_of_week'] = df['day_of_week'].astype(cat_day_of_week)
df['month'] = df['month'].astype(cat_month)
要按多個變量排序，我們只需要傳遞一個列表來代替sort_values()。例如，按month和day_of_week排序。
df.sort_values(['month', 'day_of_week'])
按ustomer_id，month 和day_of_week排序。
df.sort_values(['customer_id', 'month', 'day_of_week'])
就這樣，謝謝你的閱讀。
請在我的Github上導出筆記本以獲取源代碼：https://github.com/BindiChen/machine-learning/blob/master/data-analysis/017-pandas-custom-sort/pandas-custom-sort.ipynb
參考引用
- [1] Pandas.CategoricalDtype API(https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.CategoricalDtype.html)
- [2] Pandas Categorical CategoricalDtype tutorial (https://pandas.pydata.org/pandas-docs/stable/user_guide/categorical.html#categorical-categoricaldtype)
原文鏈接：https://towardsdatascience.com/how-to-do-a-custom-sort-on-pandas-dataframe-ac18e7ea5320
歡迎關注磐創AI博客站：
http://panchuang.net/
sklearn機器學習中文官方文檔：
http://sklearn123.com/
歡迎關注磐創博客資源匯總站：
http://docs.panchuang.net/