Pandas DataFrame中兩種排序函數(shù)的使用
更新時間：2026年04月17日 09:37:24 作者：林深時見鹿1
本文主要介紹了Pandas DataFrame中兩種排序函數(shù)的使用,包括sort_values() 和 sort_index()的使用,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
一、排序的核心函數(shù)：sort_values()和sort_index()
DataFrame 的排序主要依賴兩個核心函數(shù)，先明確它們的定位：
| 函數(shù) | 核心作用 | 適用場景 |
|---|---|---|
| sort_values() | 按列的值排序（最常用） | 按分?jǐn)?shù)、日期、金額等業(yè)務(wù)字段排序 |
| sort_index() | 按行 / 列索引排序 | 按行標(biāo)簽（如學(xué)號、日期）或列名排序 |
通用參數(shù)（兩個函數(shù)都支持）
| 參數(shù) | 作用 | 常用值 |
|---|---|---|
| ascending | 升序 / 降序 | True（升序，默認(rèn)）/False（降序） |
| inplace | 是否修改原 DataFrame | False（返回新對象，默認(rèn)）/True（原地修改） |
| na_position | 缺失值（NaN）的位置 | last（默認(rèn)，放最后）/first（放最前） |
| ignore_index | 是否重置行索引（0,1,2...） | False（保留原索引，默認(rèn)）/True（重置） |
二、核心排序：按列值排序（sort_values()）
這是實戰(zhàn)中最常用的排序方式，支持單列、多列、自定義排序規(guī)則。
1. 單列排序（基礎(chǔ)）
import pandas as pd
import numpy as np
# 構(gòu)建示例數(shù)據(jù)（學(xué)生成績）
data = {
"姓名": ["小明", "小紅", "小剛", "小麗", "小強"],
"班級": ["1班", "2班", "1班", "2班", "1班"],
"數(shù)學(xué)": [85, 92, 78, 90, np.nan], # 含缺失值
"語文": [92, 88, 80, 85, 90]
}
df = pd.DataFrame(data, index=["stu01", "stu02", "stu03", "stu04", "stu05"])
print("原始DataFrame：")
print(df)
# 1.1 按「數(shù)學(xué)」列升序排序（默認(rèn)）
df_sort_math_asc = df.sort_values(by="數(shù)學(xué)")
print("\n按數(shù)學(xué)升序排序（缺失值放最后）：")
print(df_sort_math_asc)
# 1.2 按「數(shù)學(xué)」列降序排序，缺失值放最前
df_sort_math_desc = df.sort_values(by="數(shù)學(xué)", ascending=False, na_position="first")
print("\n按數(shù)學(xué)降序排序（缺失值放最前）：")
print(df_sort_math_desc)
# 1.3 原地排序（修改原DataFrame）+ 重置行索引
df.sort_values(by="語文", ascending=False, inplace=True, ignore_index=True)
print("\n按語文降序原地排序（重置索引）：")
print(df)關(guān)鍵說明：
by="列名"是必傳參數(shù)，指定排序依據(jù)的列；na_position僅對含NaN的列有效，默認(rèn)last（缺失值放最后）；ignore_index=True會將排序后的行索引重置為0,1,2...，避免原索引混亂。
2. 多列排序（進(jìn)階）
按多個列依次排序（先按第一列，第一列值相同則按第二列），適用于 “分組排序” 場景。
import pandas as pd
# 重置示例數(shù)據(jù)
data = {
"姓名": ["小明", "小紅", "小剛", "小麗", "小強", "小芳"],
"班級": ["1班", "2班", "1班", "2班", "1班", "2班"],
"數(shù)學(xué)": [85, 92, 85, 90, 88, 92],
"語文": [92, 88, 80, 85, 90, 82]
}
df = pd.DataFrame(data)
print("原始DataFrame：")
print(df)
# 2.1 先按「班級」升序，再按「數(shù)學(xué)」降序排序
df_sort_multi = df.sort_values(
by=["班級", "數(shù)學(xué)"], # 排序列（先班級，后數(shù)學(xué)）
ascending=[True, False] # 對應(yīng)列的排序方向（班級升序，數(shù)學(xué)降序）
)
print("\n按班級升序、數(shù)學(xué)降序排序：")
print(df_sort_multi)
# 2.2 多列排序+重置索引
df_sort_multi_reset = df.sort_values(
by=["班級", "語文"],
ascending=[True, True],
ignore_index=True
)
print("\n按班級升序、語文升序排序（重置索引）：")
print(df_sort_multi_reset)核心邏輯：
by傳入列名列表，排序優(yōu)先級從左到右；ascending傳入布爾值列表，與by的列一一對應(yīng)（數(shù)量必須相等）。
3. 按字符串列排序（特殊場景）
支持按字符串的字母 / 漢字順序排序，可結(jié)合字符串方法增強靈活性。
import pandas as pd
data = {
"姓名": ["張三", "李四", "王五", "趙六", "錢七"],
"城市": ["北京", "上海", "廣州", "深圳", "北京"],
"分?jǐn)?shù)": [85, 92, 78, 90, 88]
}
df = pd.DataFrame(data)
print("原始DataFrame：")
print(df)
# 3.1 按「姓名」字符串排序（漢字拼音順序）
df_sort_name = df.sort_values(by="姓名")
print("\n按姓名字符串排序：")
print(df_sort_name)
# 3.2 按「城市」升序，再按「分?jǐn)?shù)」降序
df_sort_city_score = df.sort_values(by=["城市", "分?jǐn)?shù)"], ascending=[True, False])
print("\n按城市升序、分?jǐn)?shù)降序排序：")
print(df_sort_city_score)
# 3.3 按字符串長度排序（需自定義key）
df["姓名長度"] = df["姓名"].str.len()
df_sort_len = df.sort_values(by="姓名長度")
print("\n按姓名長度排序：")
print(df_sort_len)三、按索引排序（sort_index()）
分為「按行索引排序」和「按列索引（列名）排序」，適用于索引有業(yè)務(wù)含義的場景（如日期索引、學(xué)號索引）。
1. 按行索引排序
import pandas as pd
# 構(gòu)建帶自定義行索引的DataFrame
data = {
"數(shù)學(xué)": [85, 92, 78, 90],
"語文": [92, 88, 80, 85]
}
df = pd.DataFrame(data, index=["stu03", "stu01", "stu04", "stu02"])
print("原始DataFrame（行索引混亂）：")
print(df)
# 1.1 按行索引升序排序（默認(rèn)）
df_sort_idx_asc = df.sort_index()
print("\n按行索引升序排序：")
print(df_sort_idx_asc)
# 1.2 按行索引降序排序
df_sort_idx_desc = df.sort_index(ascending=False)
print("\n按行索引降序排序：")
print(df_sort_idx_desc)2. 按列名排序
通過 axis=1 指定按列索引（列名）排序，適用于列名較多且需規(guī)范順序的場景。
import pandas as pd
# 構(gòu)建列名混亂的DataFrame
data = {
"語文": [92, 88, 80],
"班級": ["1班", "2班", "1班"],
"數(shù)學(xué)": [85, 92, 78],
"姓名": ["小明", "小紅", "小剛"]
}
df = pd.DataFrame(data)
print("原始DataFrame（列名混亂）：")
print(df)
# 按列名升序排序（axis=1）
df_sort_cols = df.sort_index(axis=1)
print("\n按列名升序排序：")
print(df_sort_cols)
# 按列名降序排序
df_sort_cols_desc = df.sort_index(axis=1, ascending=False)
print("\n按列名降序排序：")
print(df_sort_cols_desc)關(guān)鍵參數(shù)：
axis=0（默認(rèn)）：按行索引排序；axis=1：按列索引（列名）排序。
四、進(jìn)階排序技巧
1. 按自定義規(guī)則排序（key參數(shù)）
sort_values() 的 key 參數(shù)支持傳入自定義函數(shù)，實現(xiàn)非默認(rèn)排序邏輯（如按字符串首字母、數(shù)值的絕對值排序）。
import pandas as pd
import numpy as np
data = {
"姓名": ["Alice", "Bob", "Charlie", "David"],
"分?jǐn)?shù)": [85, -92, 78, -90],
"等級": ["B", "A", "C", "A"]
}
df = pd.DataFrame(data)
print("原始DataFrame：")
print(df)
# 1.1 按分?jǐn)?shù)的絕對值降序排序
df_sort_abs = df.sort_values(by="分?jǐn)?shù)", key=lambda x: x.abs(), ascending=False)
print("\n按分?jǐn)?shù)絕對值降序排序：")
print(df_sort_abs)
# 1.2 按姓名首字母小寫排序
df_sort_name_lower = df.sort_values(by="姓名", key=lambda x: x.str.lower())
print("\n按姓名首字母小寫排序：")
print(df_sort_name_lower)
# 1.3 按自定義等級規(guī)則排序（A>B>C）
grade_order = {"A": 1, "B": 2, "C": 3}
df_sort_grade = df.sort_values(by="等級", key=lambda x: x.map(grade_order))
print("\n按等級規(guī)則（A>B>C）排序：")
print(df_sort_grade)2. 按行值排序（橫向排序）
默認(rèn)排序是 “縱向”（按列值排行），如需 “橫向”（按行值排列），需結(jié)合 apply 和 sort_values。
import pandas as pd
# 構(gòu)建每行是學(xué)生、每列是科目的DataFrame
data = {
"數(shù)學(xué)": [85, 92, 78],
"語文": [92, 88, 80],
"英語": [88, 90, 85]
}
df = pd.DataFrame(data, index=["小明", "小紅", "小剛"])
print("原始DataFrame（每行是學(xué)生，每列是科目）：")
print(df)
# 按每行的值降序排序（橫向排序，即每個學(xué)生的科目按分?jǐn)?shù)從高到低排）
df_sort_row = df.apply(lambda x: x.sort_values(ascending=False).values, axis=1)
# 重置列名（保持原列名順序，僅值排序）
df_sort_row.columns = df.columns
print("\n按每行分?jǐn)?shù)降序排序（橫向）：")
print(df_sort_row)3. 排序后保留 / 刪除重復(fù)值
排序后結(jié)合 drop_duplicates() 實現(xiàn) “保留每組最大值 / 最小值” 的場景。
import pandas as pd
data = {
"班級": ["1班", "1班", "2班", "2班", "1班"],
"數(shù)學(xué)": [85, 92, 78, 90, 88],
"姓名": ["小明", "小紅", "小剛", "小麗", "小強"]
}
df = pd.DataFrame(data)
print("原始DataFrame：")
print(df)
# 按班級分組，保留每個班級數(shù)學(xué)分?jǐn)?shù)最高的學(xué)生
# 步驟1：按班級升序、數(shù)學(xué)降序排序
df_sort = df.sort_values(by=["班級", "數(shù)學(xué)"], ascending=[True, False])
# 步驟2：按班級去重，保留第一個（即分?jǐn)?shù)最高的）
df_top1 = df_sort.drop_duplicates(subset=["班級"], keep="first")
print("\n每個班級數(shù)學(xué)最高分學(xué)生：")
print(df_top1)五、實戰(zhàn)場景：排序的典型應(yīng)用
時間序列數(shù)據(jù)排序
import pandas as pd
import numpy as np
# 構(gòu)建日期索引混亂的溫度數(shù)據(jù)
dates = pd.date_range("2026-01-01", periods=5)
np.random.shuffle(dates) # 打亂日期
data = {
"溫度": np.random.normal(5, 3, 5).round(1),
"濕度": np.random.uniform(30, 80, 5).round(1)
}
df = pd.DataFrame(data, index=dates)
print("原始時間序列數(shù)據(jù)（日期混亂）：")
print(df)
# 按日期索引升序排序（恢復(fù)時間順序）
df_sort_date = df.sort_index()
print("\n按日期升序排序：")
print(df_sort_date)
# 按溫度降序排序，保留日期索引
df_sort_temp = df.sort_values(by="溫度", ascending=False)
print("\n按溫度降序排序：")
print(df_sort_temp)六、避坑點與最佳實踐
1. 核心避坑點
- ? 多列排序時 ascending 數(shù)量不匹配：by=["A","B"] 必須對應(yīng) ascending=[True, False]（2 個值）；
- ? 混淆 axis 參數(shù)：按列名排序需設(shè) axis=1，默認(rèn) axis=0 是按行索引；
- ? 忽略缺失值位置：含 NaN 的列排序時，NaN 默認(rèn)放最后，需調(diào)整 na_position 時忘記設(shè)置；
- ? 原地排序后索引混亂：未加 ignore_index=True，導(dǎo)致排序后行索引還是原混亂索引；
- ? 自定義 key 函數(shù)錯誤：key 需返回與原列長度相同的數(shù)組（如 lambda x: x.abs()），而非單個值。
2. 最佳實踐
- ? 優(yōu)先用 sort_values() 按業(yè)務(wù)列排序，sort_index() 按索引排序；
- ? 多列排序時，先排分組列（如班級），后排業(yè)務(wù)列（如分?jǐn)?shù)）；
- ? 排序后重置索引：重要分析結(jié)果建議加 ignore_index=True，避免索引混亂；
- ? 自定義排序用 key 參數(shù)：避免手動修改數(shù)據(jù)后排序，保持代碼簡潔；
- ? 大數(shù)據(jù)集排序：先篩選需要的列（usecols），再排序，提升效率。
總結(jié)
- DataFrame 排序核心依賴兩個函數(shù)：
- sort_values(by=列名)：按列值排序（單列 / 多列），支持 ascending/na_position/key；
- sort_index(axis=0/1)：按行 / 列索引排序，適用于索引有業(yè)務(wù)含義的場景；
- 核心參數(shù)：
- by：指定排序列（僅 sort_values 需傳）；
- ascending：排序方向（True = 升序，F(xiàn)alse = 降序）；
- ignore_index：排序后重置行索引（推薦開啟）；
- axis：按行 / 列索引排序（僅 sort_index 需傳）；
- 進(jìn)階技巧：
- 自定義規(guī)則用 key 參數(shù)（如絕對值、字符串處理）；
- 橫向排序用 apply(axis=1)；
- 分組取最值：排序 +drop_duplicates()；
- 避坑關(guān)鍵：多列排序時 ascending 數(shù)量匹配，含缺失值時指定 na_position，排序后重置索引。
到此這篇關(guān)于Pandas DataFrame中兩種排序函數(shù)的使用的文章就介紹到這了,更多相關(guān)Pandas DataFrame排序函數(shù)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:
- pandas中DataFrame排序及分組排序的實現(xiàn)示例
- pandas dataframe拼接后index重新排序方式
- Pandas DataFrame如何按照一列數(shù)據(jù)的特定順序進(jìn)行排序
- pandas索引與賦值操作、排序以及Series排序和DataFrame排序方式
- pandas?dataframe按照列名給列排序三種方法
- pandas.DataFrame Series排序的使用(sort_values，sort_index)
- Python數(shù)據(jù)分析Pandas?Dataframe排序操作
- Pandas實現(xiàn)DataFrame的簡單運算、統(tǒng)計與排序
- pandas 對series和dataframe進(jìn)行排序的實例
- Pandas 對Dataframe結(jié)構(gòu)排序的實現(xiàn)方法
相關(guān)文章
這篇文章主要介紹了python Scrapy框架原理的相關(guān)資料，幫助大家更好的理解和使用python爬蟲，感興趣的朋友可以了解下2021-01-01
這篇文章主要介紹了進(jìn)一步理解Python中的函數(shù)編程,本文進(jìn)一步討論了Python中函數(shù)編程的一些要點,來自IBM官方技術(shù)文檔,需要的朋友可以參考下2015-04-04
這篇文章主要介紹了Python查詢阿里巴巴關(guān)鍵字排名的方法,涉及Python基于urllib模塊解析html頁面及進(jìn)行URL查詢的相關(guān)技巧,需要的朋友可以參考下2015-07-07
if語句能夠進(jìn)行條件測試,并依據(jù)一定的條件進(jìn)行具體的操作,下面這篇文章主要給大家介紹了關(guān)于Python中if語句的使用方法及實例代碼,文中通過實例代碼介紹的非常詳細(xì),需要的朋友可以參考下2022-11-11
這篇文章主要為大家介紹了使用python檢測某網(wǎng)盤鏈接是否有效的方法示例詳解,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪2024-01-01
今天小編就為大家分享一篇python列表list保留順序去重的實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-12-12
這篇文章主要介紹了PyQt5中向單元格添加控件的方法示例，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-03-03
這篇文章主要為大家詳細(xì)介紹了使用tensorflow實現(xiàn)線性svm的相關(guān)資料，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-09-09
在數(shù)據(jù)可視化領(lǐng)域,詞云圖是一種非常直觀且受歡迎的展示文本數(shù)據(jù)中關(guān)鍵詞頻率的方式,Python 中的wordcloud庫提供了一種簡單而強大的方法來生成詞云圖,本文就給大家介紹了使用Python生成詞云圖的詳細(xì)指南,需要的朋友可以參考下2024-12-12
這篇文章主要介紹了Python線程之認(rèn)識線程安全，線程安全，名字就非常直接，在多線程情況下是安全的，多線程操作上的安全，下面學(xué)習(xí)線程安全的文章詳細(xì)內(nèi)容，需要的小伙伴可以參考一下2022-02-02