Python 为什么sort_values（）与sort_values（）不同

我想按所有列对数据帧进行排序，并找到一种使用

df = df.apply( lambda x: x.sort_values())   

我用它来记录我的数据

text1 = text
text = text.apply( lambda x : x.sort_values())
text1 = text1.apply( lambda x : x.sort_values().values)
text.head()
text1.head()

为什么不

text=text.apply（lambda x:x.sort_values（））

得到一个错误的答案，

.vaules）

函数是什么

text.head()
    Wave    2881.394531 2880.574219 2879.75293  2878.931641 2878.111328
    N-1     0.220934    0.203666    0.205743    0.196011    0.176293
    N-10    0.432692    0.387074    0.395692    0.355331    0.358963
    N-11    0.483360    0.463233    0.456304    0.428930    0.421482
    N-12    0.365057    0.364417    0.385134    0.352451    0.350513
    N-13    0.492172    0.466263    0.480657    0.439115    0.404883


text1.head()
    Wave    2881.394531 2880.574219 2879.75293  2878.931641 2878.111328
    P+1    -21.297623   -25.141329  -21.097095  -31.380476  -38.847958
    P+2    -12.681051   -14.661134  -13.688742  -16.829298  -20.320133
    P+3    -8.164744    -13.097990  -11.784309  -15.419610  -17.822252
    P+4    -0.023353    -0.926852   -8.036203   -14.583183  -17.071484
    P+5     0.022854    -0.037756   -0.002519   -1.891178   -7.795961

---

欢迎来到StackOverflow

根据pandas文档，

sort_values（）

返回数据框对象本身，而

values（）

返回数据框中值的numpy数组表示形式。由于

apply（）

跨数据帧的轴应用指定的函数，因此应用的函数必须返回当前行/列的numpy数组表示形式，而不是返回整个数据帧。这就是为什么当您仅使用

sort\u values（）

时，它会给出错误的结果

---

您可以在上阅读更完整的说明，

欢迎来到StackOverflow

根据pandas文档，

sort_values（）

返回数据框对象本身，而

values（）

返回数据框中值的numpy数组表示形式。由于

apply（）

跨数据帧的轴应用指定的函数，因此应用的函数必须返回当前行/列的numpy数组表示形式，而不是返回整个数据帧。这就是为什么当您仅使用

sort\u values（）

时，它会给出错误的结果

---

您可以在和

上阅读更完整的说明，默认情况下，您可以阅读这些操作。 因此考虑例如

In [19]: df = pd.DataFrame([(10,1),(9,2),(8,3),(7,4)], index=list('ABDC'))

In [20]: df
Out[20]: 
    0  1
A  10  1
B   9  2
D   8  3
C   7  4

当计算df.apply（lambda x:x.sort_values（））时， 它生成以下系列：

In [24]: df[0].sort_values()
Out[24]: 
C     7
D     8
B     9
A    10
Name: 0, dtype: int64

In [25]: df[1].sort_values()
Out[25]: 
A    1
B    2
D    3
C    4
Name: 1, dtype: int64

然后尝试将这两个系列组合成一个结果数据帧。它通过调整索引来实现这一点：

In [21]: df.apply(lambda x: x.sort_values())   
Out[21]: 
    0  1
A  10  1
B   9  2
C   7  4
D   8  3

---

相反，当lambda函数返回一个NumPy数组时，就没有可以对齐的索引。所以Pandas只是将NumPy数组中的值以相同的顺序粘贴到结果数据帧中

因此，当panda计算df.apply（lambda x:x.sort_values（）.values）时， 它生成NumPy数组：

In [26]: df[0].sort_values().values
Out[26]: array([ 7,  8,  9, 10])

In [27]: df[1].sort_values().values
Out[27]: array([1, 2, 3, 4])

然后尝试将这两个NumPy数组组合成一个结果数据帧，其值的顺序相同

In [28]: df.apply(lambda x: x.sort_values().values)   
Out[28]: 
    0  1
A   7  1
B   8  2
D   9  3
C  10  4

---

默认情况下，熊猫操作。 因此考虑例如

In [19]: df = pd.DataFrame([(10,1),(9,2),(8,3),(7,4)], index=list('ABDC'))

In [20]: df
Out[20]: 
    0  1
A  10  1
B   9  2
D   8  3
C   7  4

当计算df.apply（lambda x:x.sort_values（））时， 它生成以下系列：

In [24]: df[0].sort_values()
Out[24]: 
C     7
D     8
B     9
A    10
Name: 0, dtype: int64

In [25]: df[1].sort_values()
Out[25]: 
A    1
B    2
D    3
C    4
Name: 1, dtype: int64

然后尝试将这两个系列组合成一个结果数据帧。它通过调整索引来实现这一点：

In [21]: df.apply(lambda x: x.sort_values())   
Out[21]: 
    0  1
A  10  1
B   9  2
C   7  4
D   8  3

---

相反，当lambda函数返回一个NumPy数组时，就没有可以对齐的索引。所以Pandas只是将NumPy数组中的值以相同的顺序粘贴到结果数据帧中

因此，当panda计算df.apply（lambda x:x.sort_values（）.values）时， 它生成NumPy数组：

In [26]: df[0].sort_values().values
Out[26]: array([ 7,  8,  9, 10])

In [27]: df[1].sort_values().values
Out[27]: array([1, 2, 3, 4])

然后尝试将这两个NumPy数组组合成一个结果数据帧，其值的顺序相同

In [28]: df.apply(lambda x: x.sort_values().values)   
Out[28]: 
    0  1
A   7  1
B   8  2
D   9  3
C  10  4

---

@联合国大学。很好的解释。这是一个正确而详细的答案，非常感谢！@unutbu。很好的解释。这是一个正确而详细的答案，非常感谢