Pandas Classificando 101
sort
foi substituído na v0.20 por DataFrame.sort_values
e DataFrame.sort_index
. Além disso, também temos argsort
.
Aqui estão alguns casos de uso comuns em classificação e como resolvê-los usando as funções de classificação na API atual. Primeiro, a configuração.
# Setup
np.random.seed(0)
df = pd.DataFrame({'A': list('accab'), 'B': np.random.choice(10, 5)})
df
A B
0 a 7
1 c 9
2 c 3
3 a 5
4 b 2
Classificar por coluna única
Por exemplo, para classificar df
pela coluna "A", use sort_values
com um único nome de coluna:
df.sort_values(by='A')
A B
0 a 7
3 a 5
4 b 2
1 c 9
2 c 3
Se você precisar de um RangeIndex novo, use DataFrame.reset_index
.
Classificar por várias colunas
Por exemplo, para classificar por tanto col "A" e "B" em df
, você pode passar uma lista para sort_values
:
df.sort_values(by=['A', 'B'])
A B
3 a 5
0 a 7
4 b 2
2 c 3
1 c 9
Classificar por índice DataFrame
df2 = df.sample(frac=1)
df2
A B
1 c 9
0 a 7
2 c 3
3 a 5
4 b 2
Você pode fazer isso usando sort_index
:
df2.sort_index()
A B
0 a 7
1 c 9
2 c 3
3 a 5
4 b 2
df.equals(df2)
# False
df.equals(df2.sort_index())
# True
Aqui estão alguns métodos comparáveis com seu desempenho:
%timeit df2.sort_index()
%timeit df2.iloc[df2.index.argsort()]
%timeit df2.reindex(np.sort(df2.index))
605 µs ± 13.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
610 µs ± 24.2 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
581 µs ± 7.63 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
Classificar por lista de índices
Por exemplo,
idx = df2.index.argsort()
idx
# array([0, 7, 2, 3, 9, 4, 5, 6, 8, 1])
Esse problema de "classificação" é, na verdade, um problema simples de indexação. Basta passar rótulos de inteiros para iloc
.
df.iloc[idx]
A B
1 c 9
0 a 7
2 c 3
3 a 5
4 b 2