Python进行数据的排序和排名
本文主要介绍Python中使用pandas进行排序和排名操作，相关如下：
排序：
对数据集按照某一种方式进行排序（升序、降序或自定义顺序）。
排名：
对数据集按照某一种方式进行排名（从高到低、从低到高或自定义顺序排名），一般生成新的名次序号列。
1. 排序
（1）sort_index()：按索引排序简介：
sort_index(axis=1,ascending=False)
axis：行索引或列索引，默认为列索引排序，axis = 1 表示对行进行排序；
ascending：排序方式，默认升序，ascending=False 表示降序；
使用方法如下：
obj = pd.Series(range(4),index=['d','a','b','c']) obj obj.sort_index() 123
Out[110]: d 0 a 1 b 2 c 3 dtype: int64 Out[110]: a 1 b 2 c 3 d 0 dtype: int64 123456789101112
对于DataFrame，则可以根据任意一个轴上的索引进行排序：
frame = pd.DataFrame(np.arange(8).reshape(2,4), index=['three','one'], columns=['d','a','b','c']) frame frame.sort_index() frame.sort_index(axis=1) 123456
降序排列：
frame.sort_index(axis=1,ascending=False) 1
简介：
sort_values(by=‘b’,ascending=False)
by：排序的依据，by=‘b’ 表示依据b列的数据进行排序；
ascending：排序方式，默认升序，ascending=False 表示降序；
使用方法如下：
obj = pd.Series([4,7,-3,2]) obj obj.sort_values() 123
Out[114]: 0 4 1 7 2 -3 3 2 dtype: int64 Out[114]: 2 -3 3 2 0 4 1 7 dtype: int64 12345678910111213
特别的，在排序时，任何缺失值默认都会被放到Series的末尾：
obj = pd.Series([4,np.nan,7,np.nan,-3,2]) obj obj.sort_values() 123
Out[115]: 0 4.0 1 NaN 2 7.0 3 NaN 4 -3.0 5 2.0 dtype: float64 Out[115]: 4 -3.0 5 2.0 0 4.0 2 7.0 1 NaN 3 NaN dtype: float64
12345678910111213141516在DataFrame中，可以将一个或多个列的名字传递给sort_values的by选项，来实现对一个或多个列中的值进行排序。
## 单个排序结果 frame = pd.DataFrame({'b':[4,-3,-3,2], 'a':[0,1,0,1]}) frame frame.sort_values(by='b') 1234
要根据多个列进行排序，传入名称的列表即可：
frame.sort_index(by=['a','b']) 1
2. 排名
rank()：对数据进行排名
简介：
df.rank(ascending=False, method=‘max’)
ascending：排名方式，默认从低到高，ascending=False 表示从高到低；
method：排名方式，包括：“average”、“min”、“max”、“first”、“dense”。默认情况下，rank是通过“为各组分配一个平均排名”的方式破坏平级关系的，对照表如下：
使用方法
排名会从1开始一直到数组中有效数据的数量。
obj = pd.Series([7,-5,7,4,2,0,4]) # 输出排名序号 obj.rank() Out[123]: 0 6.5 1 1.0 2 6.5 3 4.5 4 3.0 5 2.0 6 4.5 dtype: float64 ## 也可以根据值在原数据中出现的顺序给出排名： obj.rank(method='first') Out[124]: 0 6.0 1 1.0 2 7.0 3 4.0 4 3.0 5 2.0 6 5.0 dtype: float64
12345678910111213141516171819202122232425262728这里，条目0和2没有使用平均排名6.5，它们被设成了6和7，因为数据中标签0位于标签2的前面。
你也可以按降序进行排名：
obj.rank(ascending=False, method='max') Out[125]: 0 2.0 1 7.0 2 2.0 3 4.0 4 5.0 5 6.0 6 4.0 dtype: float64 1234567891011
另，DataFrame可以在行或列上计算排名：
frame = pd.DataFrame({'b': [4.3, 7, -3, 2], 'a': [0, 1, 0, 1], 'c': [-2, 5, 8, -2.5]}) frame frame.rank(axis='columns') 1234
参考文献：
【1】利用Python进行数据分析（第2版）https://www.jianshu.com/p/161364dd0acf；
作者简介
作者：榆尚天
简介：一个数据分析的爱好者，立志成为一名数据界的幽灵。
微信平台：数据幽灵
期待与各位同道的交流，欢迎关注~~~
————————————————————————————
作者：榆尚天
出处：https://mp.csdn.net/mdeditor/90265032
说明：本文版权归作者所有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接。
相关知识
python利用c4.5决策树对鸢尾花卉数据集进行分类（iris）
使用Python一步一步地来进行数据分析总结
科学网—为什么生态学家要学习Python或者R？
【python机器学习】KNN算法实现回归（基于鸢尾花数据集）
排序2
深度学习花卉识别：Python数据集解析
如何在Python中使用Pandas库进行季节性调整？
Python实现NIKE耐克女REACT跑步鞋数据分析和可视化
基于python编程的五种鲜花识别
python数据分析与展示
网址: Python进行数据的排序和排名 https://m.huajiangbk.com/newsview545944.html
| 上一篇: 鸢尾花数据集的数据可视化 |
下一篇: 数据分析师的书单 |
