在熊貓數據框中自定義排序

Question

我有python熊貓數據框，其中一列包含月份名稱。

我怎樣才能做一個自定義排序使用字典，例如：

custom_dict = {'March':0, 'April':1, 'Dec':3} 

Answer 1

熊貓0.15介紹Categorical Series，它允許更清晰的方法來做到這一點：

首先使月份列爲分類並指定要使用的排序。現在

In [21]: df['m'] = pd.Categorical(df['m'], ["March", "April", "Dec"]) 

In [22]: df # looks the same! 
Out[22]: 
    a b  m 
0 1 2 March 
1 5 6 Dec 
2 3 4 April 

，當你排序月份列，將排序相對於該名單：

In [23]: df.sort("m") 
Out[23]: 
    a b  m 
0 1 2 March 
2 3 4 April 
1 5 6 Dec 

注：如果值是不在列表中，它將被轉換爲NaN。對

---

對於那些有興趣一位年長的答案...

您可以創建一箇中介系列和set_index：

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  m 
0 1 2 March 
1 3 4 April 
2 5 6 Dec 

---

正如評論說，在新的大熊貓，系列有一個replace方法可以更優雅地做到這一點：

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

稍有不同的是，如果字典外面有一個值（它會保持不變），這不會引發此問題。

Answer 2

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)) 

返回與列三月，四月一個數據幀，十二月

Answer 3

遊戲有點晚了，但是這裏有一種方法可以創建一個函數，使用任意函數對pandas Series，DataFrame和multiindex DataFrame對象進行排序。

我使用df.iloc[index]方法，該方法引用Series/DataFrame中按位置排序的行（與按值引用的df.loc進行比較）。利用這一點，我們就必須有一個返回一系列位置參數的函數：

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 

您可以使用它來創建自定義排序功能。這適用於安迪·海登的回答中使用的數據框：

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 m 
0 1 2 March 
2 3 4 April 
1 5 6 Dec 

這也適用於多指標DataFrames和Series對象：

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 8161 
New York Mar 12714 
      Apr 89238 
Atlanta Sep 5885 

sort_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 8161 
0 12714 
3 5885 
1 89238 

對我來說，這種感覺乾淨，但它在很大程度上使用Python操作，而不是依賴關於優化的熊貓業務。我沒有做過任何壓力測試，但我想這可能會在非常大的DataFrame上變慢。不確定性能如何與添加，排序和刪除列相比。任何提示加快代碼的提示將不勝感激！