在pandas数据框中自定义排序

Question

在pandas数据框中自定义排序我有python pandas数据帧，其中一列包含月份名称。如何使用字典进行自定义排序，例如：custom_dict = {'March':0, 'April':1, 'Dec':3}

Answer 1

Pandas 0.15引入了分类系列，它允许更清晰的方式来执行此操作：

首先使月份列成为分类，并指定要使用的顺序。

In [21]: df['m'] = pd.Categorical(df['m'], ["March", "April", "Dec"])In [22]: df  # looks the same!Out[22]:
   a  b      m0  1  2  March1  5  6    Dec2  3  4  April

现在，当您对月份列进行排序时，它将根据该列表进行排序：

In [23]: df.sort("m")Out[23]:
   a  b      m0  1  2  March2  3  4  April1  5  6    Dec

注意：如果列表中没有值，它将转换为NaN。

---

那些感兴趣的人的答案较旧

您可以创建一个中间系列，并set_index在其上：

df = pd.DataFrame([[1, 2, 'March'],[5, 6, 'Dec'],[3, 4, 'April']], columns=['a','b','m'])s = df['m'].apply(lambda x: {'March':0, 'April':1, 'Dec':3}[x])s.sort()In [4]: df.set_index(s.index).sort()Out[4]: 
   a  b      m0  1  2  March1  3  4  April2  5  6    Dec

---

正如评论的那样，在较新的大熊猫中，Series有一种replace更优雅的方法：

s = df['m'].replace({'March':0, 'April':1, 'Dec':3})

稍有不同的是，如果字典外有一个值，它就不会上升（它只会保持不变）。

Answer 2

游戏有点晚了，但是这里有一种方法可以创建一个使用任意函数对pandas Series，DataFrame和multiindex DataFrame对象进行排序的函数。

我使用了这个df.iloc[index]方法，该方法按位置引用Series / DataFrame中的行（与之相比df.loc，引用值）。使用这个，我们只需要一个返回一系列位置参数的函数：

def sort_pd(key=None,reverse=False,cmp=None):
    def sorter(series):
        series_list = list(series)
        return [series_list.index(i) 
           for i in sorted(series_list,key=key,reverse=reverse,cmp=cmp)]
    return sorter

您可以使用它来创建自定义排序功能。这适用于Andy Hayden的答案中使用的数据框：

df = pd.DataFrame([
    [1, 2, 'March'],
    [5, 6, 'Dec'],
    [3, 4, 'April']], 
  columns=['a','b','m'])custom_dict = {'March':0, 'April':1, 'Dec':3}sort_by_custom_dict = sort_pd(key=custom_dict.get)In [6]: df.iloc[sort_by_custom_dict(df['m'])]Out[6]:
   a  b  m0  1  2  March2  3  4  April1  5  6  Dec

这也适用于多索引DataFrames和Series对象：

months = ['Jan','Feb','Mar','Apr','May','Jun','Jul','Aug','Sep','Oct','Nov','Dec']df = pd.DataFrame([
    ['New York','Mar',12714],
    ['New York','Apr',89238],
    ['Atlanta','Jan',8161],
    ['Atlanta','Sep',5885],
  ],columns=['location','month','sales']).set_index(['location','month'])sort_by_month = sort_pd(key=months.index)In [10]: df.iloc[sort_by_month(df.index.get_level_values('month'))]Out[10]:
                 sales
location  month  
Atlanta   Jan    8161New York  Mar    12714
          Apr    89238Atlanta   Sep    5885sort_by_last_digit = sort_pd(key=lambda x: x%10)In [12]: pd.Series(list(df['sales'])).iloc[sort_by_last_digit(df['sales'])]Out[12]:2    81610   127143    58851   89238

对我来说，这感觉很干净，但它大量使用python操作，而不是依赖于优化的pandas操作。我没有做任何压力测试，但我想这可能会在非常大的DataFrame上变慢。不确定性能与添加，排序，然后删除列的比较。有关加速代码的任何提示将不胜感激！

Answer 3

import pandas as pd
custom_dict = {'March':0,'April':1,'Dec':3}df = pd.DataFrame(...) # with columns April, March, Dec (probably alphabetically)df = pd.DataFrame(df, columns=sorted(custom_dict, key=custom_dict.get))

返回包含March，April，Dec列的DataFrame