数据排序，是使用非常高频的功能，Pandas排序支持做的非常好，主要涉及两个函数，两种数据类型，组合起来四种情况。
Series排序
Series.sort_index 索引排序
Series.sort_values 值引排序
DataFrame排序
DataFrame.sort_index 索引排序
DataFrame.sort_values 值引排序
一、Series的排序
1、sort_index 索引排序
定义一个Series用于实验
s = Series([4,1,2,3],index=['d','a','c','b'])
d 4
a 1
c 2
b 3
对Series的索引进行升序排序，默认即可，无需使用其他参数
s.sort_index()
a 1
b 3
c 2
d 4
对Series的索引进行降序排序，使用ascending=False参数
s.sort_index(ascending=False)
d 4
c 2
b 3
a 1
2、sort_values 值引排序
用 法：
Series.sort_values(ascending=True, inplace=Flase)
参数：
ascending：默认为True升序排列，为Flase降序排序
inplace：是否修改原始的Series
对Series的值进行升序排序，默认即可，无需使用其他参数
s.sort_values()
a 1
c 2
b 3
d 4
对Series的值进行降序排序，使用ascending=False参数
s.sort_values(ascending=False)
d 4
b 3
c 2
a 1
二、 DataFrame的排序
1、sort_index 索引排序
DataFrame.sort_index(by=None,
axis=0, level=None,
ascending=True,
inplace=False,
kind='quicksort',
na_position='last',
sort_remaining=True)
by：按照某一列或几列数据进行排序，但是by参数貌似不建议使用
axis：0按照行名排序；1按照列名排序
level：默认None，否则按照给定的level顺序排列---貌似并不是，文档
ascending：默认True升序排列；False降序排列
inplace：默认False，否则排序之后的数据直接替换原来的数据框
kind：排序方法，{‘quicksort’, ‘mergesort’, ‘heapsort’}, default ‘quicksort’。似乎不用太关心。
na_position：缺失值默认排在最后{"first","last"}
构建数据集
import numpy as np
import pandas as pd
data = pd.DataFrame( np.arange(9).reshape(3,3),
index = ["0","2","1"],
columns = ["col_a","col_c","col_b"])
data
col_a col_c col_b
0 0 1 2
2 3 4 5
1 6 7 8
按行的索引升序进行排序，默认按行，升序
data.sort_index()
col_a col_c col_b
0 0 1 2
1 6 7 8
2 3 4 5
按行的索引按降序进行排序
data.sort_index(ascending=False)
col_a col_c col_b
2 3 4 5
1 6 7 8
0 0 1 2
按列升序的索引进行排序
data.sort_index(axis=1)
Out[10]:
col_a col_c col_b
0 0 1 2
1 6 7 8
2 3 4 5
2、sort_values 值引排序
用 法：
DataFrame.sort_values(
by,
axis=0,
ascending=True,
inplace=False,
kind='quicksort',
na_position='last')
参 数：
by：字符串或者List<字符串>；如果axis=0，那么by="列名"；如果axis=1，那么by="行名"。
axis：{0 or ‘index’, 1 or ‘columns’}, default 0，默认按照列排序，即纵向排序；如果为1，则是横向排序。
ascending：布尔型，True则升序，如果by=['列名1','列名2']，则该参数可以是[True, False]，即第一字段升序，第二个降序。
inplace：布尔型，是否用排序后的数据框替换现有的数据框。
kind：排序方法，{‘quicksort’, ‘mergesort’, ‘heapsort’}, default ‘quicksort’。似乎不用太关心。
na_position：{‘first’, ‘last’}, default ‘last’，默认缺失值排在最后面。
构建实验用数据
import pandas as pd
data =pd.DataFrame([[2,3,12],[6,2,8],[9,5,7]],
index=["0", "2", "1"],
columns=["col_a", "col_c", "col_b"])
print(data)
结果：
col_a col_c col_b
0 2 3 12
2 6 2 8
1 9 5 7
按指定列的值大小顺序进行排序
data.sort_values(by='col_c')
col_a col_c col_b
2 6 2 8
0 2 3 12
1 9 5 7
按多列进行排序
data.sort_values(by=['col_b','col_a'])
col_a col_c col_b
1 9 5 7
2 6 2 8
0 2 3 12
先按col_b列降序，再按col_a列升序排序
data.sort_values(by=['col_b','col_a'],axis=0,ascending=[False,True])
col_a col_c col_b
0 2 3 12
2 6 2 8
1 9 5 7
按行升序排列
data.sort_values(by='2',axis=1)
col_c col_a col_b
0 3 2 12
2 2 6 8
1 5 9 7
按 2行 升序，0行降排列
data.sort_values(by=['2','0'],axis=1)
col_c col_a col_b
0 3 2 12
2 2 6 8
1 5 9 7
—— 本文来自火龙信奥（义乌睿码科技）：义乌青少年信息学奥赛与编程教育平台，专注 CSP-J/S、NOIP、GESP 竞赛培训，线上线下融合教学，助力编程升学。网址：hlcoding.com
