如何更改 Python 排序处理标点符号的方式？

Question

我目前正在尝试在 Python 中重写一个 R 脚本。我被绊倒了，因为它看起来像 R 和 Python 对一些标点符号的排序不同。 特别是“&”和“_”。 在我的程序中的某个时刻，我按 Pandas dataframe 中的标识符列进行排序。

以Python为例：

t = ["1&2","1_2"]
sorted(t)

结果是

['1&2', '1_2']

比较在 R 中：

t <- c("1&2","1_2")
sort(t)

结果是

[1] "1_2" "1&2"

根据各种资源 ( https://www.dconc.gov/home/showpublisheddocument/1481/635548543552170000 ) Python 正在做正确的事，但不幸的是我需要在这里做错事（改变 R 不在范围内）。

有没有一种直接的方法可以让我改变 Python 来解决这个问题？ 具体来说，当按 ID 列排序时，我需要能够在 pandas 数据帧上执行此操作

Answer 1

您可以选择跳过所有以下文本到FINALLY并使用提供的代码对 Python 字符串列表进行排序，就像它们将在 R 中排序一样，或者了解一下 Python 从上到下阅读答案：

就像Rawson在对您的问题的评论中已经提到的那样（提供适当的有用链接），您可以定义您选择从通常的排序顺序中取出的任何字符的排序顺序：

t = ['1&2', '1_2']
print(sorted(t))

alphabet = {"_":-2, "&":-1}
def sortkey(word):
    return [ alphabet.get(chr, ord(chr)) for chr in word ]
    # what means:
    # return [ alphabet[chr] if chr in alphabet else ord(chr) for chr in word ]

print(sortkey(t[0]), sortkey(t[1]))
print(sorted(t, key=sortkey))

给出：

['1&2', '1_2']
[49, -1, 50] [49, -2, 50]
['1_2', '1&2']

使用负值定义alphabet顺序，以便您可以对字母表的任何其他未重新定义的部分使用ord() （优点：避免 Unicode 字符串可能出现的问题）。

如果你想重新定义许多字符并只使用可打印的字符，你也可以定义一个自己的字母字符串，如下所示：

#                                                                                v                    v
alphabet = """0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ!"#$%_'()*+,-./:;<=>?@[\]^&`{|}~"""

然后使用它进行排序：

print(sorted(t, key=lambda s: [alphabet.index(c) for c in s]))

为了扩展对大量数据的使用以进行排序，请考虑将字母表转换为字典：

dict_alphabet = { alphabet[i]:i for i in range(len(alphabet)) }
print(sorted(t, key=lambda s: [dict_alphabet[c] for c in s ]))

或者最好使用 Python 中可用于字符串的字符翻译功能：

alphabet = """0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ!"#$%_'()*+,-./:;<=>?@[\]^&`{|}~"""
table = str.maketrans(alphabet, ''.join(sorted(alphabet)))
print(sorted(t, key=lambda s: s.translate(table)))

顺便说一句：您可以使用string模块获取可打印的 Python 个字符的列表：

import string
print(string.printable) # includes Form-Feed, Tab, VT, ...

最后

下面准备使用 Python 代码对字符串列表进行排序，就像它们在 R 中的排序一样：

Rcode = """\
s <- "0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ!#$%&()*+,-./:;<=>?@[\\]^_`{|}~"
paste(sort(unlist(strsplit(s, ""))), collapse = "")"""
RsortOrder = "_-,;:!?.()[]{}@*/\\&#%`^+<=>|~$0123456789aAbBcCdDeEfFgGhHiIjJkKlLmMnNoOpPqQrRsStTuUvVwWxXyYzZ"
# ^--- result of running the R-code online ( [TIO][1] )
# print(''.join(sorted("_-,;:!?.()[]{}@*/\\&#%`^+<=>|~$0123456789aAbBcCdDeEfFgGhHiIjJkKlLmMnNoOpPqQrRsStTuUvVwWxXyYzZ")))
PythonSort = "!#$%&()*+,-./0123456789:;<=>?@ABCDEFGHIJKLMNOPQRSTUVWXYZ[\\]^_`abcdefghijklmnopqrstuvwxyz{|}~"
# ===========================================
alphabet = RsortOrder
table = str.maketrans(alphabet, ''.join(sorted(alphabet)))
print(">>>",sorted(["1&2","1_2"], key=lambda s: s.translate(table)))

印刷

>>> ['1_2', '1&2']

使用以下方式在线运行 R 代码： TIO或生成您自己的RsortOrder ，运行提供的 R 代码并使用 R 中的特定区域设置，如juanpa.arrivillaga对您的问题的评论中所建议。

或者，您可以使用 Python locale模块来使用与 R 中使用的区域设置相同的区域设置：( https://stackoverflow.com/questions/1097908/how-do-i-sort-unicode-strings-按字母顺序在 python 中）

import locale
# this reads the environment and inits the right locale
locale.setlocale(locale.LC_ALL, "")
# locale.strxfrm(string)
# Transforms a string to one that can be used in locale-aware comparisons. 
# For example, strxfrm(s1) < strxfrm(s2) is equivalent to strcoll(s1, s2) < 0. 
# This function can be used when the same string is compared repeatedly, 
# e.g. when collating a sequence of strings.
print("###",sorted(["1&2","1_2"], key=locale.strxfrm))

印刷

### ['1_2', '1&2']

Answer 2

使用自定义键进行排序。 在这里，我们可以交换&和_ 。 我们通过使用列表推导式并将字符串分解为其单个字符的列表来进行交换，但我们交换了&和_字符。 然后我们用''.join '重建字符串。

t = ["1&2","1_2", "5&3"]
    
def swap_chars(s):
    return ''.join([c if 
                    c not in ['&', '_'] 
                    else '_' if c == '&' 
                    else '&' for c in s])
    
sorted(t, key = swap_chars)