1、说明
DataFrame中的排序分为两种，一种是对索引排序，一种是对值进行排序。
索引排序：sort_index()；
值排序：sort_values()；
值排名：rank()
对于索引排序，涉及到对行索引、列索引的排序，并且还涉及到是升序还是降序。函数df.sort_index(axis= , ascending= , inplace=)，需要特别注意这三个参数。axis表示对行操作，还是对列操作；ascending表示升序，还是降序操作。
对于值排序，同样也是涉及到行、列排序问题，升序、降序排列问题。函数df.sort_values(by= , axis= , ascending= , inplace=),也需要特别注意这几个参数，只是多了一个by操作，需要我们指明是按照哪一行或哪一列，进行排序的。
注意：axis=0表示对行操作，axis=1表示对列进行操作；ascending=True表示升序，ascending=False表示降序；inplace=True表示对原始DataFrame本身操作，因此不需要赋值操作，inplace=False相当于是对原始DataFrame的拷贝，之后的一些操作都是针对这个拷贝文件进行操作的，因此需要我们赋值给一个变量，保存操作后的结果。
2、索引排序：df.sort_index()
① 对行索引，进行升序排列
df = pd.DataFrame({"A":[1,3,5,7,9],
"D":[1,2,3,4,5],
"C":[3,6,9,12,15],
"B":[2,4,6,8,10]},
index=list("acbed"))
display(df)
display(id(df))
df.sort_index(axis=0,ascending=True,inplace=True)
display(df)
display(id(df))
df1 = df.sort_index(axis=0,ascending=True)
display(df1)
display(id(df1))
结果如下：
② 对列索引，进行降序排列
df = pd.DataFrame({"A":[1,3,5,7,9],
"D":[1,2,3,4,5],
"C":[3,6,9,12,15],
"B":[2,4,6,8,10]},
index=list("acbed"))
display(df)
df.sort_index(axis=1,ascending=False,inplace=True)
display(df)
结果如下：
3、值排序：df.sort_values()
① 对某一列进行升序排列(有实际意义)
df = pd.DataFrame({"A":[3,1,5,9,7],
"D":[4,1,2,5,3],
"C":[3,15,9,6,12],
"B":[2,4,6,10,8]},
index=list("acbed"))
display(df)
df.sort_values(by="A",axis=0,ascending=True,inplace=True)
display(df)
结果如下：
② 对某一行进行降序排列(实际意义不大)
df = pd.DataFrame({"A":[3,1,5,9,7],
"D":[4,1,2,5,3],
"C":[3,15,9,6,12],
"B":[2,4,6,10,8]},
index=list("acbed"))
display(df)
df.sort_values(by="A",axis=1,ascending=False,inplace=True)
display(df)
结果如下：
③ 对多列进行联合排序(重要)
df = pd.DataFrame({"A":[3,1,3,9,7],
"D":[666,1,888,5,3],
"C":[3,15,9,6,12],
"B":[2,4,6,10,8]},
index=list("acbed"))
display(df)
df.sort_values(by=["A","D"],axis=0,ascending=[True,False],inplace=True)
df
结果如下：
4、sort_values()中的na_position参数
na_position参数用于设定缺失值的显示位置，first表示缺失值显示在最前面；last表示缺失值显示在最后面。
df = pd.DataFrame({"A":[10,8,np.nan,2,4],
"D":[1,7,5,3,8],
"B":[5,2,8,4,1]},
index=list("abcde"))
display(df)
df.sort_values(by="A",axis=0,inplace=True,na_position="first")
display(df)
df.sort_values(by="A",axis=0,inplace=True,na_position="last")
display(df)
结果如下：
5、“值排名”：rank()函数
1)rank()函数的常用参数说明
2)原始数据
x = {"name":["张三","李四","王五","赵六","郑七","陈八","黄九","孙十"],
"sales":[60,40,50,40,30,80,70,60]}
df = pd.DataFrame(x)
display(df)
结果如下：
3)rank()函数使用如下
① method="first"
x = {"name":["张三","李四","王五","赵六","郑七","陈八","黄九","孙十"],
"sales":[60,40,50,40,30,80,70,60]}
df = pd.DataFrame(x)
display(df)
df["排名"] = df["sales"].rank(method="first")
display(df)
结果如下：
② method="min"
x = {"name":["张三","李四","王五","赵六","郑七","陈八","黄九","孙十"],
"sales":[60,40,50,40,30,80,70,60]}
df = pd.DataFrame(x)
display(df)
df["排名"] = df["sales"].rank(method="min")
display(df)
结果如下：
③ method="max"
x = {"name":["张三","李四","王五","赵六","郑七","陈八","黄九","孙十"],
"sales":[60,40,50,40,30,80,70,60]}
df = pd.DataFrame(x)
display(df)
df["排名"] = df["sales"].rank(method="max")
display(df)
结果如下：
④ method="average"
x = {"name":["张三","李四","王五","赵六","郑七","陈八","黄九","孙十"],
"sales":[60,40,50,40,30,80,70,60]}
df = pd.DataFrame(x)
display(df)
df["排名"] = df["sales"].rank(method="average")
display(df)
结果如下：