python - 在尊重其索引结构的同时对多索引进行排序

Question

如何在尊重级别组织的同时对多索引数据框进行排序？

例如给定以下 df，假设我们根据 C 对其进行排序(例如按降序排列):

                   C         D  E
A    B                           
bar  one   -0.346528  1.528538  1
     three -0.136710 -0.147842  1
flux six    0.795641 -1.610137  1
     three  1.051926 -1.316725  2
foo  five   0.906627  0.717922  0
     one   -0.152901 -0.043107  2
     two    0.542137 -0.373016  2
     two    0.329831  1.067820  1

我们应该得到:

                   C         D  E
A    B                           
bar  three -0.136710 -0.147842  1
     one   -0.346528  1.528538  1
flux three  1.051926 -1.316725  2
     six    0.795641 -1.610137  1
foo  five   0.906627  0.717922  0
     two    0.542137 -0.373016  2
     two    0.329831  1.067820  1
     two   -0.152901 -0.043107  2

请注意，我所说的“尊重其索引结构”的意思是在不更改更高级别索引的顺序的情况下对数据框的叶子进行排序。换句话说，我想对第二级进行排序，同时保持第一级的顺序不变。

按升序顺序做同样的事情怎么样？

我阅读了这两个主题(是的，标题相同):

• Multi-Index Sorting in Pandas
• Multi Index Sorting in Pandas

但他们根据不同的标准(例如索引名称或组中的特定列)对数据帧进行排序。

Answer 1

.reset_index，然后根据A和C列排序，然后设置索引；这将比早期的 groupby 解决方案更有效:

>>> df.reset_index().sort(columns=['A', 'C'], ascending=[True, False]).set_index(['A', 'B'])
                C      D  E
A    B                     
bar  three -0.137 -0.148  1
     one   -0.347  1.529  1
flux three  1.052 -1.317  2
     six    0.796 -1.610  1
foo  five   0.907  0.718  0
     two    0.542 -0.373  2
     two    0.330  1.068  1
     one   -0.153 -0.043  2

---

较早的解决方案:.groupby(...).apply 相对较慢，并且可能无法很好地扩展:

>>> df['arg-sort'] = df.groupby(level='A')['C'].apply(pd.Series.argsort)
>>> f = lambda obj: obj.iloc[obj.loc[::-1, 'arg-sort'], :]
>>> df.groupby(level='A', group_keys=False).apply(f)
                C      D  E  arg-sort
A    B                               
bar  three -0.137 -0.148  1         1
     one   -0.347  1.529  1         0
flux three  1.052 -1.317  2         1
     six    0.796 -1.610  1         0
foo  five   0.907  0.718  0         1
     two    0.542 -0.373  2         2
     two    0.330  1.068  1         0
     one   -0.153 -0.043  2         3