Python | Serie Pandas.argsort()

Con la ayuda de Pandas Series.argsort() , uno puede ordenar los elementos de series en pandas. Pero lo principal en la serie pandas es que obtenemos la salida como valores de índice de los elementos ordenados en serie. En la demostración de código posterior, explicaremos cómo obtenemos la salida como valores de índice ordenados .

Sintaxis: pandas.Series.argsort(axis=0, kind=’quicksort’, order=Ninguno)

Parámetros:
eje: Es útil para numpy.
kind: {‘mergesort’, ‘quicksort’, ‘heapsort’}, default ‘quicksort’
order: Es útil para numpy.

Devoluciones: Serie argsorted, con -1 indicado donde están presentes los valores nan

Para obtener el enlace al archivo csv, haga clic en nba.csv

Código n.º 1:
en este código, verá que tomamos una serie simple de algunos valores enteros y tratamos de ordenar sobre la base de diferentes métodos de clasificación de algoritmos como ordenación rápida , combinación y ordenación múltiple, pero por defecto se asumirá como ordenación rápida. Veamos el código a continuación y el siguiente resultado.

# importing pandas 
import pandas as pd  
    
# reading the csv   
data = pd.read_csv("nba.csv")
  
data.dropna(inplace = True)
  
# creating series form weight column 
g = pd.Series(data['Weight'].head())
print(g)
  
gfg = g.argsort(axis = 0, kind ='quicksort', order = None)
  
print(gfg)

0    180.0
1    235.0
3    185.0
6    235.0
7    238.0
Name: Weight, dtype: float64
0    0
1    2
3    1
6    3
7    4
Name: Weight, dtype: int64

Como puede ver en la salida, parece extraño que, en lugar de obtener los valores ordenados en serie, obtengamos estos números. Este es el concepto principal del Series.argsort()método: devuelve el valor de índice de un número más pequeño primero y el valor de índice de valor más grande al final. Como tenemos 1 es el número más pequeño y su valor de índice es 4, entonces 4 vendrá primero y este concepto fluirá como el siguiente resultado.

Código #2:

# importing pandas 
import pandas as pd  
    
# reading the csv   
data = pd.read_csv("nba.csv")
  
data.dropna(inplace = True)
  
# creating series form weight column 
g = pd.Series(data['Weight'].head())
print(g)
  
gfg = g.argsort(axis = 0, kind ='mergesort', order = None)
  
print(gfg)

0    180.0
1    235.0
3    185.0
6    235.0
7    238.0
Name: Weight, dtype: float64
0    0
1    2
3    1
6    3
7    4
Name: Weight, dtype: int64

Código #3:

# importing pandas 
import pandas as pd  
    
# reading the csv   
data = pd.read_csv("nba.csv")
  
data.dropna(inplace = True)
  
# creating series form weight column 
g = pd.Series(data['Weight'].head())
print(g)
  
gfg = g.argsort(axis = 0, kind ='heapsort', order = None)
  
print(gfg)

0    180.0
1    235.0
3    185.0
6    235.0
7    238.0
Name: Weight, dtype: float64
0    0
1    2
3    1
6    3
7    4
Name: Weight, dtype: int64

¿Cuál es la salida cuando tenemos valores faltantes?

Como hemos explicado anteriormente, si queremos manejar los valores faltantes, en lugar de Ninguno , dará como resultado -1.

import pandas as pd
  
# importing pandas 
import pandas as pd  
    
# reading the csv   
data = pd.read_csv("nba.csv")
  
# creating series form weight column 
g = pd.Series(data['Weight'])
print(g)
  
gfg = g.argsort(axis = 0, kind ='mergesort', order = None)
  
print(gfg)

450    226.0
451    206.0
452    234.0
453    203.0
454    179.0
455    256.0
456    231.0
457      NaN
Name: Weight, Length: 458, dtype: float64
450    237
451     41
452    188
453    395
454    330
455    302
456    405
457     -1
Name: Weight, Length: 458, dtype: int64