python 中sort—values函數

一、sort_values()函數用途

創新互聯的客戶來自各行各業，為了共同目標，我們在工作上密切配合，從創業型小企業到企事業單位，感謝他們對我們的要求，感謝他們從不同領域給我們帶來的挑戰，讓我們激情的團隊有機會用頭腦與智慧不斷的給客戶帶來驚喜。專業領域包括網站建設、做網站、電商網站開發、微信營銷、系統平臺開發。

pandas中的sort_values()函數原理類似于SQL中的order by，可以將數據集依照某個字段中的數據進行排序，該函數即可根據指定列數據也可根據指定行的數據排序。

二、sort_values()函數的具體參數

用法：

1DataFrame.sort_values(by=‘##',axis=0,ascending=True, inplace=False, na_position=‘last')

參數說明

by指定列名(axis=0或'index')或索引值(axis=1或'columns')

axis若axis=0或'index'，則按照指定列中數據大小排序；若axis=1或'columns'，則按照指定索引中數據大小排序，默認axis=0

ascending是否按指定列的數組升序排列，默認為True，即升序排列

inplace是否用排序后的數據集替換原來的數據，默認為False，即不替換

na_position{‘first',‘last'}，設定缺失值的顯示位置

三、sort_values用法舉例

創建數據框

#利用字典dict創建數據框

import numpy as np

import pandas as pd

Python判斷列表是否已排序的各種方法及其性能

本節判斷列表排序的函數名格式為IsListSorted_XXX()。為簡潔起見，除代碼片段及其輸出外，一律以_XXX()指代。

2.1 guess

def IsListSorted_guess(lst):

listLen = len(lst) if listLen = 1: return True

#由首個元素和末尾元素猜測可能的排序規則

if lst[0] == lst[-1]: #列表元素相同

for elem in lst: if elem != lst[0]: return False

elif lst[0] lst[-1]: #列表元素升序

for i, elem in enumerate(lst[1:]): if elem lst[i]: return False

else: #列表元素降序

for i, elem in enumerate(lst[1:]): if elem lst[i]: return False

return True

_guess()是最通用的實現，幾乎與語言無關。值得注意的是，該函數內會猜測給定列表可能的排序規則，因此無需外部調用者指明排序規則。

2.2 sorted

def IsListSorted_sorted(lst):

return sorted(lst) == lst or sorted(lst, reverse=True) == lst

_sorted()使用Python內置函數sorted()。由于sorted()會對未排序的列表排序，_sorted()函數主要適用于已排序列表。

若想判斷列表未排序后再對其排序，不如直接調用列表的sort()方法，因為該方法內部會判斷列表是否排序。對于已排序列表，該方法的時間復雜度為線性階O(n)——判斷為O(n)而排序為O(nlgn)。

2.3 for-loop

def IsListSorted_forloop(lst, key=lambda x, y: x = y):

for i, elem in enumerate(lst[1:]): #注意，enumerate默認迭代下標從0開始

if not key(lst[i], elem): #if elem lst[i]更快，但通用性差

return False

return True

無論列表是否已排序，本函數的時間復雜度均為線性階O(n)。注意，參數key表明缺省的排序規則為升序。

2.4 all

def IsListSorted_allenumk(lst, key=lambda x, y: x = y):

return all(key(lst[i], elem) for i, elem in enumerate(lst[1:]))import operatordef IsListSorted_allenumo(lst, oCmp=operator.le):

return all(oCmp(lst[i], elem) for i, elem in enumerate(lst[1:]))def IsListSorted_allenumd(lst):

return all((lst[i] = elem) for i, elem in enumerate(lst[1:]))def IsListSorted_allxran(lst, key=lambda x,y: x = y):

return all(key(lst[i],lst[i+1]) for i in xrange(len(lst)-1))def IsListSorted_allzip(lst, key=lambda x,y: x = y):

from itertools import izip #Python 3中zip返回生成器(generator)，而izip被廢棄

return all(key(a, b) for (a, b) in izip(lst[:-1],lst[1:]))

lambda表達式與operator運算符速度相當，前者簡單靈活，后者略為高效(實測并不一定)。但兩者速度均不如列表元素直接比較(可能存在調用開銷)。亦即，_allenumd()快于_allenumo()快于_allenumk()。

若使用lambda表達式指示排序規則，更改規則時只需要改變x和y之間的比較運算符；若使用operator模塊指示排序規則，更改規則時需要改變對象比較方法。具體地，lt(x, y)等效于x y，le(x, y)等效于x = y，eq(x, y)等效于x == y，ne(x, y)等效于x != y，gt(x, y)等效于x y，ge(x, y)等效于x = y。例如，_allenumo()函數若要嚴格升序可設置oCmp=operator.lt。

此外，由all()函數的幫助信息可知，_allenumk()其實是_forloop()的等效形式。

2.5 numpy

def IsListSorted_numpy(arr, key=lambda dif: dif = 0):

import numpy try: if arr.dtype.kind == 'u': #無符號整數數組執行np.diff時存在underflow風險

arr = numpy.int64(lst) except AttributeError: pass #無dtype屬性，非數組

return (key(numpy.diff(arr))).all() #numpy.diff(x)返回相鄰數組元素的差值構成的數組

NumPy是用于科學計算的Python基礎包，可存儲和處理大型矩陣。它包含一個強大的N維數組對象，比Python自身的嵌套列表結構(nested list structure)高效得多。第三節的實測數據表明，_numpy()處理大型列表時性能非常出色。

在Windows系統中可通過pip install numpy命令安裝NumPy包，不建議登錄官網下載文件自行安裝。

2.6 reduce

def IsListSorted_reduce(iterable, key=lambda x, y: x = y):

cmpFunc = lambda x, y: y if key(x, y) else float('inf') return reduce(cmpFunc, iterable, .0) float('inf')

reduce實現是all實現的變體。累加器(accumulator)中僅存儲最后一個檢查的列表元素，或者Infinity(若任一元素小于前個元素值)。

前面2.1~2.5小節涉及下標操作的函數適用于列表等可迭代對象(Iterable)。對于通用迭代器(Iterator)對象，即可以作用于next()函數或方法的對象，可使用_reduce()及后面除_rand()外各小節的函數。迭代器的計算是惰性的，只有在需要返回下一個數據時才會計算，以避免不必要的計算。而且，迭代器方式無需像列表那樣切片為兩個迭代對象。

2.7 imap

def IsListSorted_itermap(iterable, key=lambda x, y: x = y):

from itertools import imap, tee

a, b = tee(iterable) #為單個iterable創建兩個獨立的iterator

next(b, None) return all(imap(key, a, b))

2.8 izip

def IsListSorted_iterzip(iterable, key=lambda x, y: x = y):

from itertools import tee, izip

a, b = tee(iterable) next(b, None) return all(key(x, y) for x, y in izip(a, b))def pairwise(iterable):

from itertools import tee, izip

a, b = tee(iterable) next(b, None) return izip(a, b) #"s - (s0,s1), (s1,s2), (s2, s3), ..."def IsListSorted_iterzipf(iterable, key=lambda x, y: x = y):

return all(key(a, b) for a, b in pairwise(iterable))

第三節的實測數據表明，雖然存在外部函數調用，_iterzipf()卻比_iterzip()略為高效。

2.9 fast

def IsListSorted_fastd(lst):

it = iter(lst) try:

prev = it.next() except StopIteration: return True

for cur in it: if prev cur: return False

prev = cur return Truedef IsListSorted_fastk(lst, key=lambda x, y: x = y):

it = iter(lst) try:

prev = it.next() except StopIteration: return True

for cur in it: if not key(prev, cur): return False

prev = cur return True

_fastd()和_fastk()是Stack Overflow網站回答里據稱執行最快的。實測數據表明，在列表未排序時，它們的性能表現確實優異。

2.10 random

import randomdef IsListSorted_rand(lst, randNum=3, randLen=100):

listLen = len(lst) if listLen = 1: return True

#由首個元素和末尾元素猜測可能的排序規則

if lst[0] lst[-1]: #列表元素升序

key = lambda dif: dif = 0

else: #列表元素降序或相等

key = lambda dif: dif = 0

threshold, sortedFlag = 10000, True

import numpy if listLen = threshold or listLen = randLen*2 or not randNum: return (key(numpy.diff(numpy.array(lst)))).all() from random import sample for i in range(randNum):

sortedRandList = sorted(sample(xrange(listLen), randLen))

flag = (key(numpy.diff(numpy.array([lst[x] for x in sortedRandList])))).all()

sortedFlag = sortedFlag and flag return sortedFlag

_rand()借助隨機采樣降低運算規模，并融入其他判斷函數的優點。例如，猜測列表可能的排序規則，并在隨機采樣不適合時使用相對快速的判斷方式，如NumPy。

通過line_profiler分析可知，第20行和第21行與randLen有關，但兩者耗時接近。因此randLen應小于listLen的一半，以抵消sorted開銷。除內部限制外，用戶可以調節隨機序列個數和長度，如定制單個但較長的序列。

注意，_rand()不適用于存在微量異常數據的長列表。因為這些數據很可能被隨機采樣遺漏，從而影響判斷結果的準確性。

Python學習小技巧之列表項的排序

Python學習小技巧之列表項的排序

本文介紹的是關于Python列表項排序的相關內容，分享出來供大家參考學習，下面來看看詳細的介紹：

典型代碼1：

data_list = [6, 9, 1, 3, 0, 10, 100, -100]

data_list.sort()

print(data_list)

輸出1:

[-100, 0, 1, 3, 6, 9, 10, 100]

典型代碼2:

data_list = [6, 9, 1, 3, 0, 10, 100, -100]

data_list_copy = sorted(data_list)

print(data_list)

print(data_list_copy)

輸出2:

[6, 9, 1, 3, 0, 10, 100, -100]

[-100, 0, 1, 3, 6, 9, 10, 100]

應用場景

需要對列表中的項進行排序時使用。其中典型代碼1是使用的列表自身的一個排序方法sort，這個方法自動按照升序排序，并且是原地排序，被排序的列表本身會被修改；典型代碼2是調用的內置函數sort，會產生一個新的經過排序后的列表對象，原列表不受影響。這兩種方式接受的參數幾乎是一樣的，他們都接受一個key參數，這個參數用來指定用對象的哪一部分為排序的依據：

data_list = [(0, 100), (77, 34), (55, 97)]

data_list.sort(key=lambda x: x[1]) # 我們想要基于列表項的第二個數進行排序

print(data_list)

[(77, 34), (55, 97), (0, 100)]

另外一個經常使用的參數是reverse，用來指定是否按照倒序排序，默認為False：

data_list = [(0, 100), (77, 34), (55, 97)]

data_list.sort(key=lambda x: x[1], reverse=True) # 我們想要基于列表項的第二個數進行排序，并倒序

print(data_list)

[(0, 100), (55, 97), (77, 34)]

帶來的好處

1. 內置的排序方法，執行效率高，表達能力強，使代碼更加緊湊，已讀

2. 靈活的參數，用于指定排序的基準，比在類似于Java的語言中需要寫一個comparator要方便很多

其它說明

1. sorted內置函數比列表的sort方法要適用范圍更廣泛，它可以對除列表之外的可迭代數據結構進行排序；

2. list內置的sort方法，屬于原地排序，理論上能夠節省內存的消耗；

總結

好了，以上就是這篇文章的全部內容了，希望本文的內容對大家的學習或者工作能帶來一定的幫助

分享題目：python內置函數升序 python內置函數降序
路徑分享：http://www.js-pz168.com/article45/docgcei.html

成都網站建設公司_創新互聯，為您提供小程序開發、標簽優化、App開發、搜索引擎優化、虛擬主機、全網營銷推廣

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯