如何让DataFrame列按以字母'l'开头的自定义顺序排序？

问题场景 #

我有下面这个DataFrame，想按自定义的字母顺序给Doc列排序，要求以字母'l'开头的条目排在最前面，而非默认的从'a'开始：

import pandas as pd

data = [['C:/folder/!!file this', 15], ['C:/folder/apple', 14], ['C:/folder/Land file', 10]]
df = pd.DataFrame(data, columns=['Doc', 'Size'])

想要的排序结果是这样的：

data = [['C:/folder/Land file', 10], ['C:/folder/!!file this', 15], ['C:/folder/apple', 14]]
df_sorted = pd.DataFrame(data, columns=['Doc', 'Size'])

原代码问题分析 #

1. 第一段代码报错ValueError: substring not found的原因：
   你自定义的alphabet里没加空格字符，但Doc列里的Land file包含空格，调用alphabet.index(c)查找空格时找不到，直接触发报错。另外，lambda函数里写x[0]是只处理第一个字符串，不是每一行的Doc值，逻辑本身就错了。

2. 第二段代码没改变顺序的原因：
   sort_index是用来给DataFrame的索引排序的，不是给Doc列的值排序；而且你创建的pd.Categorical根本没和要排序的Doc列关联起来，当然不会有效果。

正确解决方案 #

第一步：补全自定义字符顺序表 #

先把Doc列里可能出现的所有字符都加到alphabet里，比如这次要补充空格：

# 把空格加到自定义顺序里，位置按需求调整
alphabet = """lmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789abcdefghijk !"#$%_'()*+,-./:;<=>?@[\]^&`{|}~"""

第二步：用sort_values的key参数生成正确排序键 #

给每个Doc字符串生成一个排序键——把字符串里每个字符在alphabet中的位置列成列表，Pandas会根据这个列表完成自定义排序：

df_sorted = df.sort_values(by='Doc', key=lambda s: [[alphabet.index(c) for c in string] for string in s])

完整可运行代码 #

import pandas as pd

data = [['C:/folder/!!file this', 15], ['C:/folder/apple', 14], ['C:/folder/Land file', 10]]
df = pd.DataFrame(data, columns=['Doc', 'Size'])

# 包含所有需用到字符的自定义顺序表（已添加空格）
alphabet = """lmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789abcdefghijk !"#$%_'()*+,-./:;<=>?@[\]^&`{|}~"""

# 按自定义顺序排序
df_sorted = df.sort_values(by='Doc', key=lambda s: [[alphabet.index(c) for c in string] for string in s])

print(df_sorted)

运行后输出的结果就是你想要的：

Doc  Size
2  C:/folder/Land file    10
0  C:/folder/!!file this    15
1   C:/folder/apple    14

小技巧 #

怕自定义顺序表漏字符的话，可以先提取Doc列里的所有唯一字符，检查有没有遗漏：

# 提取Doc列里的所有唯一字符
all_chars = set(''.join(df['Doc']))
# 对比自定义表，找出没包含的字符
missing_chars = all_chars - set(alphabet)
if missing_chars:
    print(f"自定义顺序表缺了这些字符: {missing_chars}")

内容的提问来源于stack exchange，提问作者oymonk