### Python 中 `pandas.DataFrame.sort_values` 方法详解 #### 1. 基本概念 `sort_values()` 是 Pandas 库中用于对 DataFrame 或 Series 进行排序的方法。该方法允许按照指定的列或索引来排列数据，支持升序和降序两种模式。 #### 2. 参数说明 以下是 `sort_values()` 的主要参数及其功能[^3]: - **by**: 单一标签或列表标签，表示要按哪些列进行排序。 - **axis**: 排序轴，默认为 0 表示沿行方向操作（即针对列排序），设置为 1 则沿列方向操作（不常见）。 - **ascending**: 是否升序排序，默认为 True；如果传入布尔值列表，则可以分别控制每列的排序顺序。 - **inplace**: 如果设为 True，则直接修改原对象而不返回新副本。 - **kind**: 排序算法的选择，默认为快速排序 ('quicksort')，其他选项包括 'mergesort' 和 'heapsort'。 - **na_position**: 处理缺失值的位置设定，默认为 'last' 将 NaN 放置到最后位置，可改为 'first' 把它们移到最前。 - **ignore_index**: 若为 True，在结果中会忽略原始索引并重新编号。 - **key**: 自定义键函数应用于每一列的数据之前再执行排序逻辑。 #### 3. 实际应用案例 下面通过几个具体例子展示如何使用此方法： ##### 示例 1: 对单列进行简单排序 假设有一个简单的 DataFrame 如下： ```python import pandas as pd data = {'name': ['Alice', 'Bob', 'Charlie'], 'age': [25, 30, 28]} df = pd.DataFrame(data) sorted_df = df.sort_values(by='age') print(sorted_df) ``` 上述代码将基于年龄字段从小到大排序整个表格内容[^1]。 ##### 示例 2: 同时依据多列条件排序 当需要考虑多个维度来决定最终次序时，可以通过传递由不同属性组成的数组作为输入给定 by 参数实现复合型分类标准制定过程如下所示: ```python multi_data = { 'team': ['Red', 'Blue', 'Green', 'Yellow'], 'score': [90, 75, 85, 60], 'time': [pd.Timestamp('2023-01-01'), pd.Timestamp('2023-01-02'), pd.Timestamp('2023-01-03'), pd.Timestamp('2023-01-04')] } mdf = pd.DataFrame(multi_data) result_mdf = mdf.sort_values(by=['score', 'time'], ascending=[False,True]) print(result_mdf) ``` 这里先按分数高低逆向排列，对于相同得分者则继续比较日期先后顺位安排[^4]。 ##### 示例 3: 修改现有表结构而非创建副件 有时候我们希望即时更新当前工作区内的资料集状态而无需额外存储空间消耗的话就可以利用 inplace 属性完成这项任务比如这样写法即可生效: ```python another_example = {"category": ["fruit", "vegetable", "meat"], "price":[4.99 ,2.99 ,12.99 ]} adf=pd.DataFrame(another_example ) adf.sort_values("price",ascending=False,inplace=True ) print(adf) ``` 这段脚本会让价格最高的商品排在第一位并且不会生成新的变量保存改动后的版本而是直接覆盖原来的 adf 变量值[^2]. #### 注意事项 尽管大多数情况下默认行为已经满足需求但如果遇到特殊情况例如存在重复项或者特殊字符等问题可能还需要进一步调整策略甚至借助辅助工具才能达到理想效果因此建议开发者们熟悉掌握这些细节以便灵活应对各种复杂场景下的挑战[^5].