如何按两列或多列对python中的数据帧进行排序？

假设我有一个数据框，其中包含列

a

、

b

和

c

，我想按列

b

按升序对数据框进行排序，按列

c

按降序对数据框进行排序，我该如何做到这一点呢？

自0.17.0发布以来，该方法已被弃用，取而代之<代码>排序在0.20.0版本中被完全删除。参数（和结果）保持不变：

df.sort_values(['a', 'b'], ascending=[True, False])

---

您可以使用以下的升序参数：

例如：

In [11]: df1 = pd.DataFrame(np.random.randint(1, 5, (10,2)), columns=['a','b'])

In [12]: df1.sort(['a', 'b'], ascending=[True, False])
Out[12]:
   a  b
2  1  4
7  1  3
1  1  2
3  1  2
4  3  2
6  4  4
0  4  3
9  4  3
5  4  1
8  4  1

---

正如@renadeen所评论的

---

默认情况下，排序不到位！所以，您应该将sort方法的结果分配给一个变量，或者将inplace=True添加到方法调用中

也就是说，如果要将df1重新用作已排序的数据帧：

df1 = df1.sort(['a', 'b'], ascending=[True, False])

或

---

从pandas 0.17.0开始，

DataFrame.sort（）

已被弃用，并设置为在pandas的未来版本中删除。按值对数据帧进行排序的方法现在是

dataframe.sort\u values

因此，你的问题现在的答案是

df.sort_values(['b', 'c'], ascending=[True, False], inplace=True)

---

对于数字数据的大型数据帧，您可能会看到通过以下方式显著提高性能，即使用一系列键执行间接排序：

import pandas as pd
import numpy as np

np.random.seed(0)

df1 = pd.DataFrame(np.random.randint(1, 5, (10,2)), columns=['a','b'])
df1 = pd.concat([df1]*100000)

def pdsort(df1):
    return df1.sort_values(['a', 'b'], ascending=[True, False])

def lex(df1):
    arr = df1.values
    return pd.DataFrame(arr[np.lexsort((-arr[:, 1], arr[:, 0]))])

assert (pdsort(df1).values == lex(df1).values).all()

%timeit pdsort(df1)  # 193 ms per loop
%timeit lex(df1)     # 143 ms per loop

一个特点是定义的排序顺序与

numpy.lexsort

相反：

（'b'，'a'）

首先按序列

a

排序。我们否定序列

b

，以反映我们希望该序列按降序排列

---

请注意，仅使用数值进行排序，而使用字符串或数值进行排序。对字符串使用

np.lexsort

将给出：

类型错误：一元操作数类型错误-：'str'

检查此答案这是否回答了您的问题？默认情况下，排序不到位！所以，您应该将

sort

方法的结果指定给一个变量，或者将

inplace=True

添加到方法调用中。@renadeen非常好的一点，我已经用该注释更新了答案。今天得知sort被弃用，我很惊讶！基于这篇博文中的一些观点：我决定添加一个新的答案，而不是试图对其进行编辑yours@Snoozer是的，我认为sort永远不会消失（主要是因为它在Wes的书中被广泛使用），但它已经消失了。谢谢我真的需要自动完成我的1000多个熊猫答案！

df.sort_values(['b', 'c'], ascending=[True, False], inplace=True)

import pandas as pd
import numpy as np

np.random.seed(0)

df1 = pd.DataFrame(np.random.randint(1, 5, (10,2)), columns=['a','b'])
df1 = pd.concat([df1]*100000)

def pdsort(df1):
    return df1.sort_values(['a', 'b'], ascending=[True, False])

def lex(df1):
    arr = df1.values
    return pd.DataFrame(arr[np.lexsort((-arr[:, 1], arr[:, 0]))])

assert (pdsort(df1).values == lex(df1).values).all()

%timeit pdsort(df1)  # 193 ms per loop
%timeit lex(df1)     # 143 ms per loop