pandas.Series.sort_values#

Series.sort_values(*, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last', ignore_index=False, key=None)[源代码][源代码]#

按值排序。

按某个标准对序列进行升序或降序排序。

参数:

轴{0 或 ‘index’}: 未使用。参数需要与 DataFrame 兼容。
升序布尔值或布尔值列表，默认值为 True: 如果为真，按升序排序值，否则按降序排序。
inplace布尔值, 默认为 False: 如果为真，则就地执行操作。
种类{‘quicksort’, ‘mergesort’, ‘heapsort’, ‘stable’}, 默认 ‘quicksort’: 排序算法的选择。更多信息请参见 numpy.sort()。’mergesort’ 和 ‘stable’ 是仅有的稳定算法。
na_position{‘first’ 或 ‘last’}，默认 ‘last’: 参数 ‘first’ 将 NaN 放在开头，’last’ 将 NaN 放在末尾。
ignore_index布尔值, 默认为 False: 如果为真，生成的轴将被标记为 0, 1, …, n - 1。
关键可调用，可选: 如果不是 None，在排序之前将键函数应用于序列值。这与内置 sorted() 函数中的 key 参数类似，但显著的区别是这个 key 函数应该是 矢量化的。它应该期望一个 Series 并返回一个类似数组的对象。

返回:

系列或无: 如果 inplace=True，则按值排序的序列或为 None。

参见

Series.sort_index: 按系列索引排序。
DataFrame.sort_values: 按任一轴的值对 DataFrame 进行排序。
DataFrame.sort_index: 按索引排序 DataFrame。

示例

>>> s = pd.Series([np.nan, 1, 3, 10, 5])
>>> s
0     NaN
1     1.0
2     3.0
3     10.0
4     5.0
dtype: float64

按升序排序值（默认行为）

>>> s.sort_values(ascending=True)
   1.0
   3.0
   5.0
  10.0
   NaN
dtype: float64

按降序排列值

>>> s.sort_values(ascending=False)
  10.0
   5.0
   3.0
   1.0
   NaN
dtype: float64

将 NAs 值排在前面进行排序

>>> s.sort_values(na_position="first")
   NaN
   1.0
   3.0
   5.0
  10.0
dtype: float64

排序一系列字符串

>>> s = pd.Series(["z", "b", "d", "a", "c"])
>>> s
0    z
1    b
2    d
3    a
4    c
dtype: object

>>> s.sort_values()
  a
  b
  c
  d
  z
dtype: object

使用键函数进行排序。你的 key 函数将被传递 Series 的值，并应返回类似数组的结果。

>>> s = pd.Series(["a", "B", "c", "D", "e"])
>>> s.sort_values()
1    B
3    D
0    a
2    c
4    e
dtype: object
>>> s.sort_values(key=lambda x: x.str.lower())
0    a
1    B
2    c
3    D
4    e
dtype: object

NumPy ufuncs 在这里工作得很好。例如，我们可以按值的 sin 进行排序。

>>> s = pd.Series([-4, -2, 0, 2, 4])
>>> s.sort_values(key=np.sin)
1   -2
4    4
2    0
0   -4
3    2
dtype: int64

更复杂的用户定义函数也可以使用，只要它们期望一个 Series 并返回一个类数组对象。

>>> s.sort_values(key=lambda x: (np.tan(x.cumsum())))
 -4
  2
  4
 -2
  0
dtype: int64