模块四-数据转换与操作——20. 数据排序

20. 数据排序

1. 概述

数据排序是数据分析中的基本操作，用于按特定列的值对数据进行升序或降序排列。Pandas 提供了sort_values()和sort_index()两种排序方法。

importpandasaspdimportnumpyasnp# 创建示例数据np.random.seed(42)df=pd.DataFrame({'姓名':['张三','李四','王五','赵六','钱七','孙八','周九','吴十'],'部门':['技术','销售','技术','市场','销售','技术','市场','销售'],'工资':[8000,12000,10000,15000,11000,9500,10500,12500],'年龄':[25,30,28,32,35,27,29,31],'入职日期':pd.date_range('2024-01-01',periods=8,freq='M')})print("原始数据:")print(df)

2. 按值排序

2.1 sort_values() 基础

# 按单列升序（默认）print("按工资升序:")print(df.sort_values('工资'))# 按单列降序print("\n按工资降序:")print(df.sort_values('工资',ascending=False))

2.2 按多列排序

# 先按部门升序，再按工资降序print("按部门升序、工资降序:")print(df.sort_values(['部门','工资'],ascending=[True,False]))# 多列排序示例print("\n按部门升序、年龄降序:")print(df.sort_values(['部门','年龄'],ascending=[True,False]))

2.3 处理缺失值

# 创建包含缺失值的数据df_na=df.copy()df_na.loc[2,'工资']=np.nan df_na.loc[5,'年龄']=np.nanprint("包含缺失值的数据:")print(df_na)# na_position 控制缺失值位置print("\n缺失值放在最后:")print(df_na.sort_values('工资',na_position='last'))print("\n缺失值放在最前:")print(df_na.sort_values('工资',na_position='first'))

3. 按索引排序

3.1 sort_index() 基础

# 创建乱序数据np.random.seed(42)df_shuffled=df.sample(frac=1)print("乱序数据:")print(df_shuffled)# 按行索引排序print("\n按行索引排序:")print(df_shuffled.sort_index())# 按行索引降序print("\n按行索引降序:")print(df_shuffled.sort_index(ascending=False))

3.2 按列索引排序

# 按列索引排序（axis=1）print("按列索引排序:")print(df.sort_index(axis=1))# 按列索引降序print("\n按列索引降序:")print(df.sort_index(axis=1,ascending=False))

4. 排序的高级应用

4.1 获取前 N 行

# 工资最高的3人print("工资最高的3人:")print(df.nlargest(3,'工资')[['姓名','工资']])# 工资最低的2人print("\n工资最低的2人:")print(df.nsmallest(2,'工资')[['姓名','工资']])# 按多列取最大print("\n年龄最大且工资最高的:")# 先按年龄排序，再取前3print(df.sort_values(['年龄','工资'],ascending=[False,False]).head(3))

4.2 分组内排序

# 每个部门内按工资排序print("各部门内按工资排序:")print(df.sort_values(['部门','工资'],ascending=[True,False]))# 使用 groupby 后排序df_sorted=df.sort_values(['部门','工资'],ascending=[True,False])print("\n各部门工资排名:")print(df_sorted)

4.3 排序后重置索引

# 排序后重置索引print("排序后重置索引:")df_sorted=df.sort_values('工资',ascending=False).reset_index(drop=True)print(df_sorted)# 保留原索引print("\n排序后保留原索引:")df_sorted_with_index=df.sort_values('工资',ascending=False).reset_index()print(df_sorted_with_index)

5. 完整示例：销售数据分析

# 创建销售数据np.random.seed(42)sales=pd.DataFrame({'日期':pd.date_range('2024-01-01',periods=30,freq='D'),'产品':np.random.choice(['产品A','产品B','产品C'],30),'销售额':np.random.randint(1000,5000,30),'数量':np.random.randint(10,100,30),'地区':np.random.choice(['华东','华南','华北','西南'],30)})print("="*60)print("销售数据分析")print("="*60)print("\n原始数据:")print(sales.head(10))# 1. 按销售额排序（查看最高销售额）print("\n1. 销售额前5名:")print(sales.nlargest(5,'销售额')[['日期','产品','销售额']])# 2. 按日期排序print("\n2. 按日期排序:")print(sales.sort_values('日期').head(10)[['日期','销售额']])# 3. 按产品和销售额排序print("\n3. 按产品和销售额排序:")print(sales.sort_values(['产品','销售额'],ascending=[True,False]).head(10))# 4. 各地区销售额排名print("\n4. 各地区销售额排名（华东地区）:")east_sales=sales[sales['地区']=='华东'].sort_values('销售额',ascending=False)print(east_sales[['日期','产品','销售额']])# 5. 按销售额排序后计算累计占比print("\n5. 销售额累计占比分析:")sales_sorted=sales.sort_values('销售额',ascending=False).reset_index(drop=True)sales_sorted['累计销售额']=sales_sorted['销售额'].cumsum()sales_sorted['累计占比']=(sales_sorted['累计销售额']/sales_sorted['销售额'].sum()*100).round(2)print(sales_sorted[['销售额','累计销售额','累计占比']].head(10))

6. 排序性能优化

# 大数据集排序large_df=pd.DataFrame({'A':np.random.randint(0,100,100000),'B':np.random.randn(100000)})importtime# 单列排序start=time.time()large_df.sort_values('A',inplace=True)print(f"单列排序耗时:{time.time()-start:.4f}秒")# 多列排序start=time.time()large_df.sort_values(['A','B'],inplace=True)print(f"多列排序耗时:{time.time()-start:.4f}秒")

7. 总结