Pandas中利用Categorical类型实现自定义数据排序-Python教程-PHP中文网

Pandas中利用Categorical类型实现自定义数据排序

花韻仙語

发布： 2025-11-11 12:47:01

原创

314人浏览过

pandas中利用categorical类型实现自定义数据排序

本文深入探讨了在Pandas DataFrame中如何根据自定义逻辑对数据进行排序，尤其是在处理需要特定顺序（如月份的自然顺序而非字母顺序）的字符串列时。我们将通过将目标列转换为有序的Categorical数据类型，从而克服默认排序的局限性，实现灵活且精确的数据排列。

在数据分析和处理中，Pandas DataFrame是Python用户常用的工具。然而，当我们需要对包含字符串数据的列进行排序时，默认的排序行为（通常是字母顺序）可能无法满足我们的业务需求。例如，在处理月份数据时，我们通常希望按“一月”、“二月”、“三月”这样的时间顺序排列，而非“April”、“February”、“January”这样的字母顺序。本文将详细介绍如何利用Pandas的Categorical数据类型来解决这一问题，实现自定义排序。

理解默认排序的局限性

首先，让我们通过一个具体的例子来理解问题。假设我们有一个包含月份和销售额数据的DataFrame：

import pandas as pd

month = ['January', 'February', 'March', 'April', 'January', 'February', 'March', 'April']
sales = [10, 100, 130, 145, 13409, 670, 560, 40]
data = {'month': month, 'sales': sales}
df = pd.DataFrame(data)

print("原始DataFrame:")
print(df)

登录后复制

输出如下：

原始DataFrame:
      month  sales
0   January     10
1  February    100
2     March    130
3     April    145
4   January  13409
5  February    670
6     March    560
7     April     40

登录后复制

如果我们尝试直接对DataFrame按'month'列进行排序，或者在groupby操作后对结果进行排序，默认行为会是字母顺序：

# 尝试直接按'month'列排序（字母顺序）
df_sorted_alpha = df.sort_values(by='month', ascending=True)
print("\n按字母顺序排序后的DataFrame:")
print(df_sorted_alpha)

# 尝试对groupby结果按聚合值排序（原始问题中的场景）
df_grouped_mean_sorted_by_value = df.groupby('month')['sales'].mean().sort_values()
print("\n按平均销售额排序的groupby结果:")
print(df_grouped_mean_sorted_by_value)

登录后复制

输出可能如下（取决于具体数据和聚合结果）：

按字母顺序排序后的DataFrame:
      month  sales
3     April    145
7     April     40
1  February    100
5  February    670
0   January     10
4   January  13409
2     March    130
6     March    560

按平均销售额排序的groupby结果:
month
April        92.5
February    385.0
March       345.0
January    6709.5
Name: sales, dtype: float64

登录后复制

可以看到，直接排序时，“April”排在最前面，而“January”和“February”的顺序也与我们期望的月份顺序不符。groupby后sort_values()则会根据聚合结果（例如平均销售额）进行排序，这也不是我们想要的月份顺序。

解决方案：利用Categorical数据类型进行自定义排序

Pandas的Categorical数据类型提供了一种优雅的解决方案。通过将目标列转换为Categorical类型，并指定其内部的有序类别，我们可以强制Pandas在排序时遵循我们定义的顺序。

核心步骤如下：

定义自定义排序顺序： 创建一个列表，其中包含你希望的元素排列顺序。
转换列为Categorical类型： 使用pd.Categorical()或astype('category')方法，将DataFrame中的目标列转换为Categorical类型，并传入自定义的排序顺序作为categories参数，同时设置ordered=True。
应用排序： 对DataFrame使用sort_values()方法，Pandas将自动识别并遵循Categorical列的自定义顺序。

让我们应用这个解决方案：

序列猴子开放平台

具有长序列、多模态、单模型、大数据等特点的超大规模语言模型

查看详情

# 1. 定义自定义月份排序顺序
custom_month_order = ['January', 'February', 'March', 'April', 'May', 'June', 
                      'July', 'August', 'September', 'October', 'November', 'December']

# 2. 将'month'列转换为Categorical类型，并指定顺序和有序性
df['month'] = pd.Categorical(df['month'], categories=custom_month_order, ordered=True)

# 3. 根据'month'列进行排序
df_sorted_custom = df.sort_values(by=['month'], ascending=True)

print("\n按自定义月份顺序排序后的DataFrame:")
print(df_sorted_custom)

登录后复制

输出结果：

按自定义月份顺序排序后的DataFrame:
      month  sales
0   January     10
4   January  13409
1  February    100
5  February    670
2     March    130
6     March    560
3     April    145
7     April     40

登录后复制

现在，DataFrame已经按照我们自定义的月份顺序（January, February, March, April）进行了正确排序。

对groupby结果的影响：

一旦列被转换为有序的Categorical类型，后续的groupby操作也会自然地继承这个顺序。如果你对这个Categorical列进行groupby，其结果的索引也会按照你定义的顺序排列，无需额外的排序步骤：

# 对已经转换为Categorical类型的'month'列进行groupby操作
df_grouped_mean_custom_order = df.groupby('month')['sales'].mean()
print("\n按自定义月份顺序分组并计算平均值（索引已按序）:")
print(df_grouped_mean_custom_order)

登录后复制

输出结果：

按自定义月份顺序分组并计算平均值（索引已按序）:
month
January     6709.5
February     385.0
March        345.0
April         92.5
Name: sales, dtype: float64

登录后复制

可以看到，groupby的结果索引（即月份）也按照我们定义的自定义顺序排列了。

完整代码示例

将上述步骤整合，一个完整的代码示例如下：

import pandas as pd

# 1. 准备数据
month = ['January', 'February', 'March', 'April', 'January', 'February', 'March', 'April']
sales = [10, 100, 130, 145, 13409, 670, 560, 40]
data = {'month': month, 'sales': sales}
df = pd.DataFrame(data)

print("原始DataFrame:")
print(df)

# 2. 定义自定义排序顺序
# 确保包含所有可能的类别，即使它们当前不在DataFrame中
custom_month_order = ['January', 'February', 'March', 'April', 'May', 'June', 
                      'July', 'August', 'September', 'October', 'November', 'December']

# 3. 将'month'列转换为Categorical类型并指定顺序
# ordered=True 是关键，它告诉Pandas这个类别是有序的
df['month'] = pd.Categorical(df['month'], categories=custom_month_order, ordered=True)

# 4. 根据'month'列进行排序
df_sorted_final = df.sort_values(by=['month'], ascending=True)

print("\n按自定义月份顺序排序后的DataFrame:")
print(df_sorted_final)

# 5. （可选）演示groupby操作如何继承此顺序
df_grouped_result = df.groupby('month')['sales'].mean()
print("\n按自定义月份顺序分组并计算平均值:")
print(df_grouped_result)

登录后复制

注意事项

ordered=True的重要性： 在将列转换为Categorical类型时，务必设置ordered=True。如果设置为False（默认值），Pandas会认为类别之间没有内在顺序，sort_values()将不会按照你指定的categories顺序进行排序，而是回退到字母顺序。
categories列表的完整性： 确保categories列表中包含了目标列中所有可能的值。如果DataFrame中存在categories列表中未包含的值，它们在转换为Categorical类型时将变为NaN。
灵活性： 这种方法不仅限于月份排序，可以应用于任何需要自定义顺序的字符串或对象类型列，例如产品等级（'Low', 'Medium', 'High'）、用户状态等。
性能考量： 对于非常大的数据集，将列转换为Categorical类型通常会比使用字符串类型更节省内存，并且在某些操作（如groupby）上可能提高性能，因为它内部存储的是整数编码。

总结

通过将DataFrame中的列转换为有序的Categorical数据类型，我们能够有效地克服Pandas默认排序的局限性，实现高度灵活和精确的自定义排序。无论是直接对DataFrame进行排序，还是对groupby操作的结果进行排序，Categorical类型都提供了一个强大且优雅的解决方案，确保数据按照业务逻辑的真实顺序进行排列，从而提高数据分析的准确性和可读性。掌握这一技巧，将使你在Pandas数据处理中更加游刃有余。

以上就是Pandas中利用Categorical类型实现自定义数据排序的详细内容，更多请关注php中文网其它相关文章！