DataFrame按重复行排序

Question

如何对DataFrame进行排序，使得重复的列被“循环使用”？

例如，我的原始DataFrame看起来像这样：

In [3]: df
Out[3]: 
    A  B
0  r1  0
1  r1  1
2  r2  2
3  r2  3
4  r3  4
5  r3  5

I would like it to turn to:

In [3]: df_sorted
Out[3]: 
    A  B
0  r1  0
2  r2  2
4  r3  4
1  r1  1
3  r2  3
5  r3  5

行按列 A 的循环方式进行排序。

我在Pandas中搜索了API，但似乎没有适当的方法来完成此操作。我可以编写一个复杂的函数来完成这个任务，但是想知道是否有更聪明的方法或现有的Pandas方法可以做到这一点？提前感谢。

更新： 对于我的实际问题，抱歉给出了错误的声明。列 B 包含字符串值。

- Xer

Answer 1

你可以使用 cumcount 来计算列 A 中的重复项，然后先按 A（在示例中不必要，在真实数据中可能很重要）排序，然后按 C 排序。最后通过 drop 删除列 C。

df['C'] = df.groupby('A')['A'].cumcount()
df.sort_values(by=['C', 'A'], inplace=True)
print (df)
    A  B  C
0  r1  0  0
2  r2  2  0
4  r3  4  0
1  r1  1  1
3  r2  3  1
5  r3  5  1

df.drop('C', axis=1, inplace=True)
print (df)
    A  B
0  r1  0
2  r2  2
4  r3  4
1  r1  1
3  r2  3
5  r3  5

时间:

小 df (len(df)=6)

In [26]: %timeit (jez(df))
1000 loops, best of 3: 2 ms per loop

In [27]: %timeit (boud(df1))
100 loops, best of 3: 2.52 ms per loop

大的数据框（len(df)=6000）

In [23]: %timeit (jez(df))
100 loops, best of 3: 3.44 ms per loop

In [28]: %timeit (boud(df1))
100 loops, best of 3: 2.52 ms per loop

计时代码：

df = pd.concat([df]*1000).reset_index(drop=True) 
df1 = df.copy()

def jez(df):
    df['C'] = df.groupby('A')['A'].cumcount()
    df.sort_values(by=['C', 'A'], inplace=True)
    df.drop('C', axis=1, inplace=True)
    return (df)

def boud(df):
    df['C'] = df.groupby('A')['B'].rank()
    df = df.sort_values(['C', 'A'])
    df.drop('C', axis=1, inplace=True)
    return (df)
100 loops, best of 3: 4.29 ms per loop

- jezrael

Answer 2

你可以将你的需求表述为，取每个组的第一行，然后是第二行，再然后是第三行等等。这相当于按行对每个组进行分组，然后按'A'进行分组。

你可以使用函数rank，对'A'键中的每个键编号。对每个分组应用此函数即可完成任务：

df['C'] = df.groupby('A')['B'].rank()

df
Out[8]: 
    A  B    C
0  r1  0  1.0
1  r1  1  2.0
2  r2  2  1.0
3  r2  3  2.0
4  r3  4  1.0
5  r3  5  2.0

df.sort_values(['C', 'A'])
Out[9]: 
    A  B    C
0  r1  0  1.0
2  r2  2  1.0
4  r3  4  1.0
1  r1  1  2.0
3  r2  3  2.0
5  r3  5  2.0

如果您不需要它，可以删除'C'。

---

编辑以回复评论

我认为在您的示例中'B'是索引列。如果不是，则需要对索引本身进行处理：

df['C'] = df.reset_index().groupby('A')['index'].rank()

- Zeugma

---

我根据标题中提到的重复问题处理 OP 问题。编辑了帖子，考虑了您宝贵的意见。谢谢。 - Zeugma

太好了，你的第二个解决方案现在运行良好（但不幸的是速度更慢了）。 - jezrael

谢谢，Boud。学到了一个非常有用的方法“rank”。然而，在我的实际问题中，列“B”实际上不是数字，所以我不能在该列上使用“rank”。我应该说明一下，抱歉。 - Xer