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
Publicación traducida automáticamente
Artículo escrito por Jitender_1998 y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA