zoukankan      html  css  js  c++  java
  • 如何对Pandas DataFrame进行自定义排序

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

    Pandas DataFrame有一个内置方法sort_values(),可以根据给定的变量对值进行排序。该方法本身使用起来相当简单,但是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,我们将了解如何对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/machine-learning/blob/master/data-analysis/017-pandas-custom-sort/pandas-custom-sort.ipynb

    问题

    假设我们有一个关于服装店的数据集:

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

    我们可以看到,每一块布料都有一个尺寸值,数据应该按以下顺序排序:

    • 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

    但是,当调用sort_values('size')时,将得到以下输出。

    输出不是我们想要的,但它在技术上是正确的。实际上,sort_values()是按数字顺序对数值数据排序,对对象数据按字母顺序排序。

    以下是两种常见的解决方案:

    1. 为自定义排序创建新列

    2. 使用CategoricalDtype将数据强制转换为具有有序性的类别类型

    为自定义排序创建新列

    在这个解决方案中,需要一个映射数据帧来表示一个自定义排序,然后根据映射创建一个新的列,最后我们可以按新列对数据进行排序。让我们通过一个例子来看看这是如何工作的。

    首先,让我们创建一个映射数据帧来表示自定义排序。

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

    之后,使用sort_mapping中的映射值创建一个新的列 size_num。

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

    最后,按新的列大小对值进行排序。

    df.sort_values('size_num')
    

    这当然是我们的工作。但它创建了一个备用列,在处理大型数据集时效率可能会降低。

    我们可以使用CategoricalDtype更有效地解决这个问题。

    使用CategoricalDtype将数据强制转换为具有有序性的类别类型

    CategoricalDtype是具有类别和顺序的分类数据的类型[1]。它对于创建自定义排序非常有用[2]。让我们通过一个例子来看看这是如何工作的。

    首先,让我们导入CategoricalDtype。

    from pandas.api.types import CategoricalDtype
    

    然后,创建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']作为尺寸的唯一值。

    • 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
    )
    

    然后,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'],我们可以看到size列已经被转换为一个类别类型,其顺序为[XS<S<M<L<XL]。

    >>> df['size'] = df['size'].astype(cat_size_order)
    >>> df['size']
    
    0     S
    1    XL
    2     M
    3    XS
    4     L
    5     S
    Name: size, dtype: category
    Categories (5, object): [XS < S < M < L < XL]
    

    最后,我们可以调用相同的方法对值进行排序。

    df.sort_values('size')
    

    这样效果更好。让我们来看看原理是什么。

    使用cat的codes属性访问

    现在size列已经被转换为category类型,我们可以使用.cat访问器以查看分类属性。在幕后,它使用codes属性来表示有序变量的大小。

    让我们创建一个新的列代码,这样我们可以并排比较大小和代码值。

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

    我们可以看到XS、S、M、L和XL的代码分别为0、1、2、3、4和5。codes是类别实际值。通过运行df.info(),我们可以看到实际上是int8。

    >>> df.info()
    
    <class 'pandas.core.frame.DataFrame'>
    RangeIndex: 6 entries, 0 to 5
    Data 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,让我们把事情变得更复杂一点。这里,我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'],
    })
    

    类似地,让我们创建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,我们只需要传递一个列表来代替sort_values()。例如,按monthday_of_week排序。

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

    ustomer_idmonthday_of_week排序。

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

    就这样,谢谢你的阅读。

    请在我的Github上导出笔记本以获取源代码:https://github.com/BindiChen/machine-learning/blob/master/data-analysis/017-pandas-custom-sort/pandas-custom-sort.ipynb

    参考引用

    原文链接:https://towardsdatascience.com/how-to-do-a-custom-sort-on-pandas-dataframe-ac18e7ea5320

    欢迎关注磐创AI博客站:
    http://panchuang.net/

    sklearn机器学习中文官方文档:
    http://sklearn123.com/

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

  • 相关阅读:
    Android(java)学习笔记68:使用proguard混淆android代码
    SGU 194 Reactor Cooling
    关于流量有上下界的网络流问题的求解
    关于最小割的求解方法
    HDU 5311 Hidden String
    POJ 3548 Restoring the digits
    POJ 2062 HDU 1528 ZOJ 2223 Card Game Cheater
    ZOJ 1967 POJ 2570 Fiber Network
    HDU 1969 Pie
    HDU 1956 POJ 1637 Sightseeing tour
  • 原文地址:https://www.cnblogs.com/panchuangai/p/13907232.html
Copyright © 2011-2022 走看看