Python 熊猫-如何对格式为字符串的周数和年数进行排序？

我有一个像这样的熊猫数据框，排序如下：

>>> weekly_count.sort_values(by='date_in_weeks', inplace=True)
>>> weekly_count.loc[:9,:]

  date_in_weeks count
0   1-2013      362
1   1-2014      378
2   1-2015      201
3   1-2016      294
4   1-2017      300
5   1-2018      297
6   10-2013     329
7   10-2014     314
8   10-2015     324
9   10-2016     322

在上面的数据的第一列中，所有以周为单位的日期行都是“一年中的周数”。我现在想把它分类如下：

  date_in_weeks count
0   1-2013      362
6   10-2013     329
1   1-2014      378
7   10-2014     314
2   1-2015      201
8   10-2015     324
3   1-2016      294
9   10-2016     322
4   1-2017      300
5   1-2018      297

---

如何执行此操作？

您可以尝试使用辅助列：

import pandas as pd
df = pd.DataFrame({'date_in_weeks':['1-2013','1-2014','1-2015','10-2013','10-2014'],
                   'count':[362,378,201,329,314]})
df['aux'] = df['date_in_weeks'].str.split('-')
df['aux_2'] = df['aux'].str.get(1).astype(int)
df['aux'] = df['aux'].str.get(0).astype(int)
df = df.sort_values(['aux_2','aux'],ascending=True)
df = df.drop(columns=['aux','aux_2'])
print(df)

输出：

  date_in_weeks  count
0        1-2013    362
3       10-2013    329
1        1-2014    378
4       10-2014    314
2        1-2015    201

---

您还可以转换为datetime，分配给df，然后对值进行排序并删除额外的列：

s = pd.to_datetime(df['date_in_weeks'],format='%M-%Y')
final = df.assign(dt=s).sort_values(['dt','count']).drop('dt',1)

---

使用转换为日期时间的格式

%W

年度周数：

---

欢迎来到SO。这不是一个讨论论坛或教程。请花点时间阅读和阅读该页面上的其他链接。花些时间学习教程和文档，练习示例。它会让你了解解决问题所需的工具。第一步：告诉给你这些数据的人使用ISO8601。很好的Anky，我试过做

pd.to_datetime（）

，但一定是因为失败而错过了格式化。@CeliusStingher是的，格式化参数在这种情况下很有帮助：）@Anky_91-yop，也不确定几分钟是否是一周中的好选择

print(final)

  date_in_weeks  count
0        1-2013    362
6       10-2013    329
1        1-2014    378
7       10-2014    314
2        1-2015    201
8       10-2015    324
3        1-2016    294
9       10-2016    322
4        1-2017    300
5        1-2018    297

df = df.iloc[pd.to_datetime(df['date_in_weeks'] + '-0',format='%W-%Y-%w').argsort()]
print (df)
  date_in_weeks  count
0        1-2013    362
6       10-2013    329
1        1-2014    378
7       10-2014    314
2        1-2015    201
8       10-2015    324
3        1-2016    294
9       10-2016    322
4        1-2017    300
5        1-2018    297