如何实现类魔方式Pandas DataFrame转换：按行字母排序

实现方案 #

方案1：逐行自定义排序处理 #

这是最直观的方式，针对每行提取有效数据排序后补全缺失位置：

import pandas as pd
import numpy as np

df = pd.DataFrame({'COLX': ['A', 'C', 'C'], 'COLY': ['C', 'B', np.nan] , 'COLZ': [np.nan, 'A', 'B']})

def process_row(row):
    # 取出非空值并按字母排序
    sorted_vals = sorted(row.dropna())
    # 补全缺失的位置为'Missing'
    return sorted_vals + ['Missing'] * (len(row) - len(sorted_vals))

# 应用到每行，重新匹配原列名
result_df = df.apply(process_row, axis=1).apply(pd.Series, index=df.columns)
print(result_df)

输出结果：

COLX     COLY COLZ
0        A  Missing    C
1        A        B    C
2  Missing        B    C

方案2：numpy批量排序（适合大数据集） #

如果你的数据量很大，用numpy的向量排序效率更高：

import pandas as pd
import numpy as np

df = pd.DataFrame({'COLX': ['A', 'C', 'C'], 'COLY': ['C', 'B', np.nan] , 'COLZ': [np.nan, 'A', 'B']})

# 先用一个比所有字母都大的占位符替换NaN，避免排序干扰
temp_df = df.fillna('ZZ')
# 对每行进行排序
sorted_arr = np.sort(temp_df.values, axis=1)
# 转成DataFrame并把占位符换回'Missing'
result_df = pd.DataFrame(sorted_arr, columns=df.columns).replace('ZZ', 'Missing')
print(result_df)

这个方法比apply逐行处理快很多，适合大规模数据。

关于pandas.DataFrame.shift的使用 #

shift的核心作用是整列/整行位移数据（比如把COLX列的所有值往下挪一行），它本身不具备排序功能，无法直接实现你要的行内字母排序需求。硬要结合shift来做的话，完全是舍近求远，既复杂又低效，不如直接用上面的排序方案省心。

内容的提问来源于stack exchange，提问作者user19956605