作者|B. Chen
编译|VK
起源|Towards Data Science

Pandas DataFrame有一个内置办法sort_values()，能够依据给定的变量对值进行排序。该办法自身应用起来相当简略，然而它不适用于自定义排序，例如，

  • t恤尺寸：XS、S、M、L和XL
  • 月份：一月、二月、三月、四月等
  • 星期几：周一、周二、周三、周四、周五、周六和周日。

在本文中，咱们将理解如何对Pandas DataFrame进行自定义排序。

请查看我的Github repo以获取源代码:https://github.com/BindiChen/...

问题

假如咱们有一个对于服装店的数据集：

df = pd.DataFrame({    'cloth_id': [1001, 1002, 1003, 1004, 1005, 1006],    'size': ['S', 'XL', 'M', 'XS', 'L', 'S'],})

咱们能够看到，每一块布料都有一个尺寸值，数据应该按以下程序排序：

  • XS代表特大号
  • S代表小号
  • M代表中号
  • L代表大号
  • XL为特大号

然而，当调用sort_values('size')时，将失去以下输入。

输入不是咱们想要的，但它在技术上是正确的。实际上，sort_values()是按数字程序对数值数据排序，对对象数据按字母程序排序。

以下是两种常见的解决方案：

  1. 为自定义排序创立新列
  2. 应用CategoricalDtype将数据强制转换为具备有序性的类别类型

为自定义排序创立新列

在这个解决方案中，须要一个映射数据帧来示意一个自定义排序，而后依据映射创立一个新的列，最初咱们能够按新列对数据进行排序。让咱们通过一个例子来看看这是如何工作的。

首先，让咱们创立一个映射数据帧来示意自定义排序。

df_mapping = pd.DataFrame({    'size': ['XS', 'S', 'M', 'L', 'XL'],})sort_mapping = df_mapping.reset_index().set_index('size')

之后，应用sort_mapping中的映射值创立一个新的列 size_num。

df['size_num'] = df['size'].map(sort_mapping['index'])

最初，按新的列大小对值进行排序。

df.sort_values('size_num')

这当然是咱们的工作。但它创立了一个备用列，在解决大型数据集时效率可能会升高。

咱们能够应用CategoricalDtype更无效地解决这个问题。

应用CategoricalDtype将数据强制转换为具备有序性的类别类型

CategoricalDtype是具备类别和程序的分类数据的类型[1]。它对于创立自定义排序十分有用[2]。让咱们通过一个例子来看看这是如何工作的。

首先，让咱们导入CategoricalDtype。

from pandas.api.types import CategoricalDtype

而后，创立一个自定义类别类型cat_size_order

  • 第一个参数设置为['XS'、'S'、'M'、'L'、'XL']作为尺寸的惟一值。
  • 第二个参数ordered=True，将此变量视为有序。
cat_size_order = CategoricalDtype(    ['XS', 'S', 'M', 'L', 'XL'],     ordered=True)

而后，调用astype(cat_size_order)将大小数据强制转换为自定义类别类型。通过运行df['size']，咱们能够看到size列曾经被转换为一个类别类型，其程序为[XS<S<M<L<XL]。

>>> df['size'] = df['size'].astype(cat_size_order)>>> df['size']0     S1    XL2     M3    XS4     L5     SName: size, dtype: categoryCategories (5, object): [XS < S < M < L < XL]

最初，咱们能够调用雷同的办法对值进行排序。

df.sort_values('size')

这样成果更好。让咱们来看看原理是什么。

应用cat的codes属性拜访

当初size列曾经被转换为category类型，咱们能够应用.cat拜访器以查看分类属性。在幕后，它应用codes属性来示意有序变量的大小。

让咱们创立一个新的列代码，这样咱们能够并排比拟大小和代码值。

df['codes'] = df['size'].cat.codesdf

咱们能够看到XS、S、M、L和XL的代码别离为0、1、2、3、4和5。codes是类别理论值。通过运行df.info()，咱们能够看到实际上是int8。

>>> df.info()<class 'pandas.core.frame.DataFrame'>RangeIndex: 6 entries, 0 to 5Data columns (total 3 columns): #   Column    Non-Null Count  Dtype   ---  ------    --------------  -----    0   cloth_id  6 non-null      int64    1   size      6 non-null      category 2   codes     6 non-null      int8    dtypes: category(1), int64(1), int8(1)memory usage: 388.0 bytes

按多个变量排序

接下来，让咱们把事件变得更简单一点。这里，咱们将按多个变量对数据帧进行排序。

df = pd.DataFrame({    'order_id': [1001, 1002, 1003, 1004, 1005, 1006, 1007],    'customer_id': [10, 12, 12, 12, 10, 10, 10],    'month': ['Feb', 'Jan', 'Jan', 'Feb', 'Feb', 'Jan', 'Feb'],    'day_of_week': ['Mon', 'Wed', 'Sun', 'Tue', 'Sat', 'Mon', 'Thu'],})

相似地，让咱们创立两个自定义类别类型cat_day_of_week和cat_month，并将它们传递给astype()。

cat_day_of_week = CategoricalDtype(    ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun'],     ordered=True)cat_month = CategoricalDtype(    ['Jan', 'Feb', 'Mar', 'Apr'],     ordered=True,)df['day_of_week'] = df['day_of_week'].astype(cat_day_of_week)df['month'] = df['month'].astype(cat_month)

要按多个变量排序，咱们只须要传递一个列表来代替sort_values()。例如，按month和day_of_week排序。

df.sort_values(['month', 'day_of_week'])

按ustomer_id，month 和day_of_week排序。

df.sort_values(['customer_id', 'month', 'day_of_week'])

就这样，谢谢你的浏览。

请在我的Github上导出笔记本以获取源代码：https://github.com/BindiChen/...

参考援用

  • [1] Pandas.CategoricalDtype API(https://pandas.pydata.org/pan...
  • [2] Pandas Categorical CategoricalDtype tutorial (https://pandas.pydata.org/pan...

原文链接：https://towardsdatascience.co...

欢送关注磐创AI博客站：
http://panchuang.net/

sklearn机器学习中文官网文档：
http://sklearn123.com/

欢送关注磐创博客资源汇总站：
http://docs.panchuang.net/