Pandas 是一个 Python 库，主要用于数据分析。Pandas 使导入、清理、探索、操作和分析数据变得更加容易。在本教程中，我们将了解sort_index()Pandas 中可用的功能。
sort_index() 函数的语法
DataFrame.sort_index(axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, ignore_index=False, key=None) |
| 范围 | 描述 | 可能的值 | 默认值 |
| 轴 | 按要排序的轴排序。 | 0 / ‘索引’, 1 / ‘列’ |
0 |
| 等级 | 引用数据帧排序的级别。如果不是“无”，则对指定索引级别中的值进行排序。 | int 或级别名称或整数列表或级别名称列表 | 不适用 |
| 上升 | 按升序或降序排序。 | 布尔值或布尔值列表：“True”、“False” | 真的 |
| 到位 | 修改现有数据框或创建新数据框。 | 布尔值：“真”、“假” | 错误的 |
| 种类 | 要应用的排序算法类型。 | “快速排序”、“合并排序”、“堆排序”、“稳定” | 快速排序 |
| na_位置 | 放置 NaN 的位置。 | ‘第一个’、‘最后一个’ | 最后的 |
| 剩余排序 | 指定数据框按指定级别排序后是否要按其他级别排序。 | 布尔值：“真”、“假” | 真的 |
| 忽略索引 | 如果为 True，则生成的轴将标记为 0、1、…、n – 1。 | 布尔值：“真”、“假” | 错误的 |
| 钥匙 | 指定是否要根据某些自定义键对数据框进行排序 | 用户定义的任何自定义键 | 不适用 |
返回：一个排序的对象，即数据帧。如果inplace=True，则原始数据帧本身已排序，否则用户必须指定一个新数据帧来存储结果。如果没有分配新的数据帧并且inplace=False，则返回 None 。
此函数适用于数字和非数字索引值。
创建数据框
在我们跳转到这里的示例之前，让我们首先创建一个数据框。这将帮助我们处理数据框并理解 Python sort_index() 函数的实现。
import pandas as pd import numpy as npdata = { 'Emp_Name' : ["Anna", "Jeremy", "Dennis", "Courtney", "Bob", "Ronald"], 'Dept' : ["Operations", "Technology", "Design", "Administration", "Operations", "Technology"], 'YOE' : [12, 5, 6, 20, 8, 4]}Emp_Id = [4, 3, 6, 7, 1, 2]emp_data = pd.DataFrame(data, index=Emp_Id)emp_data |
输出：
这是一个用于存储公司员工信息的数据框。它由员工姓名(Emp_Name)、他们工作的部门(Dept)和他们的工作经验年数(YOE)组成。数据根据上述代码中指定的员工 ID (Emp_Id)进行排列。
例子
让我们直接进入示例来了解 sort_index() 函数是如何实现的以及它是如何工作的。
1.按索引升序排序
# by default, axis=0 so sorting is done by rowemp_data2 = emp_data.sort_index()emp_data2 |
输出：
在上面的示例中，我们创建了一个名为“emp_data2”的新数据帧，并根据索引（即“Emp_Id”）按升序对其进行排序。结果，我们得到了如图所示的上面的dataframe。
2.按照索引降序排序
# by default, axis=0 so sorting is done by rowemp_data2.sort_index(ascending=False, inplace=True)emp_data2 |
输出：
ascending=False在这里，我们通过在代码中指定按降序对数据帧进行排序。根据指定，inplace=True并且我们没有为该函数分配任何新的数据帧，因此按“就地emp_data2”排序。
3. 根据列标签升序排序
# axis=1 implies sort by columnemp_data3 = emp_data.sort_index(axis=1)emp_data3 |
输出：
在这种情况下，我们有一个名为“emp_data3”的结果数据帧，其中列标签按升序（即字典顺序）排序。列标签 ‘Emp_Name’、’Dept’ 和 ‘YOE’ 的字典顺序是‘Dept’、’Emp_Name’ 和 ‘YOE’，因此列现在按此顺序排列。
类似地，我们可以通过编写 来根据列标签按降序emp_data.sort_index(axis=1, ascending=False)对数据帧进行排序。这将产生以下数据框。
4. 使用 na_position 参数定位 NaN
让我们考虑对之前的员工数据框进行稍微修改的版本，如下所示。
import pandas as pd import numpy as npdata = { 'Emp_Name' : ["Anna", "Jeremy", "Dennis", "Courtney", "Bob", "Ronald"], 'Dept' : ["Operations", "Technology", "Design", "Administration", "Operations", "Technology"], 'YOE' : [12, 5, 6, 20, 8, 4]}Emp_Id = [4, np.nan, 6, np.nan, 1, 2]emp_df = pd.DataFrame(data, index=Emp_Id)emp_df |
上面的数据帧在索引中有一些 NaN 值，即 Emp_Id。让我们看看如何定位这些值。
A。首先定位 NaN
emp_df2 = emp_df.sort_index(na_position='first')emp_df2 |
输出：
这里，数据帧根据其索引（即 Emp_Id）进行排序，并且 NaN 值首先放置在结果数据帧中。
另请阅读：如何用 0 替换 Pandas 数据框中的 NaN 值？
b. 最后放置 NaN
emp_df3 = emp_df.sort_index(na_position='last')emp_df3 |
输出：
在此示例中，数据帧根据其索引（即 Emp_Id）进行排序，并且 NaN 值放置在结果数据帧的最后。
结论
这就是本教程的全部内容！我们已经了解了 Pandas 中的 sort_index() 函数。您可以通过此处的教程了解有关 Pandas 的更多信息。