Python多列排序技巧：sort_values实用教程

掌握Python数据排序技巧，提升数据分析效率！本文深入解析Pandas库中`sort_values()`函数的实用方法，助你轻松应对单列及多列复合排序需求。通过`by`参数和`ascending`参数，灵活控制排序规则，更有`inplace`和`na_position`参数处理数据修改和缺失值。除了基础用法，文章还介绍了如何创建衍生列进行排序，以及利用`CategoricalDtype`自定义排序顺序，满足复杂业务逻辑。对比Python内置排序函数，`sort_values()`在处理表格数据时更具优势。更有处理缺失值策略，以及通过实际案例，让你快速掌握Python数据排序的精髓，优化数据分析流程。

Pandas的sort_values()函数是Python中处理表格型数据排序的核心工具，其优势在于支持单列或按多列复合排序，例如先按部门升序、再按年龄降序等，使用by参数指定列名列表，ascending参数控制每列的排序方向。此外，sort_values()还提供inplace参数决定是否修改原数据，na_position参数控制缺失值位置，默认为'last'，也可设为'first'。对于复杂排序需求，可以通过1.创建衍生列（如字符串长度、计算比率等）进行排序；2.利用CategoricalDtype定义自定义顺序（如绩效等级S>A>B>C），使排序符合业务逻辑。相较Python内置的list.sort()和sorted()函数，sort_values()更适合处理结构化表格数据，具备更强的灵活性和性能优化能力。处理缺失值时，除na_position外，还可通过fillna()填充或dropna()删除缺失值以适应不同分析场景。

Python中要实现数据排序，尤其是处理表格型数据，Pandas库里的sort_values()函数几乎是我的首选。它不仅能让你对单列数据进行升降序排列，更厉害的是，它能轻松应对多列复合排序的需求，这在数据分析中简直是家常便饭。

当我们谈到Python里对数据进行排序，特别是涉及到像Excel表格那样的数据结构时，Pandas的DataFrame对象自带的sort_values()方法无疑是最核心的工具。它能让你灵活地控制排序的逻辑。

最直接的用法是单列排序。比如，你有一个数据集，想按某个数值列升序排，直接指定列名就行：df.sort_values(by='你的列名')。如果想降序，就加个ascending=False。

但实际工作中，我们经常遇到需要多列共同决定排序顺序的情况。例如，先按部门排序，同一部门内再按年龄排序。这时，sort_values()的by参数就可以接收一个列表，里面按优先级顺序放入列名。ascending参数也同样可以接收一个布尔值列表，对应每一列的升降序要求。

举个例子，假设我们有个员工数据，包含部门、年龄和薪资：

import pandas as pd
import numpy as np

data = {
    '姓名': ['张三', '李四', '王五', '赵六', '钱七', '孙八', '周九', '吴十'],
    '部门': ['销售部', '研发部', '销售部', '市场部', '研发部', '市场部', '销售部', '研发部'],
    '年龄': [28, 35, 30, 25, 32, 28, 30, 35],
    '薪资': [8000, 12000, 9000, 7500, 11000, 8500, 9500, 13000],
    '绩效等级': ['B', 'A', 'B', 'C', 'A', 'B', 'A', 'S']
}
df = pd.DataFrame(data)

print("原始数据：")
print(df)

# 需求：先按部门升序，部门相同则按年龄降序，年龄相同再按薪资升序
df_sorted = df.sort_values(by=['部门', '年龄', '薪资'], ascending=[True, False, True])
print("\n多列排序结果（部门升序，年龄降序，薪资升序）：")
print(df_sorted)

# 另一个常用参数是 `inplace`，如果你想直接修改原DataFrame而不是返回新DataFrame，就设为True。
# 但我个人习惯是先返回一个新DataFrame，这样更安全，方便回溯。
# df.sort_values(by=['部门'], inplace=True)

# 还有一个 `na_position` 参数，用来控制缺失值的位置，是放在前面还是后面。
# 默认是'last'，也就是缺失值排在最后。

sort_values()的灵活性在于，它能很好地与Pandas的其他数据操作结合，比如链式操作，或者在分组聚合后进行排序，这些都让数据处理变得异常高效。

Pandas sort_values() 与 Python内置排序函数的区别与应用场景？

谈到排序，Python本身就有list.sort()和sorted()这两个内置函数。但它们和Pandas的sort_values()在设计理念和适用场景上，其实是截然不同的。

list.sort()是列表对象的一个方法，它会直接在原地修改列表的顺序，不返回任何新列表。它只能对列表这种序列类型的数据进行排序，而且通常是基于列表元素的自然顺序，或者通过key参数提供一个排序函数。比如：

my_list = [3, 1, 4, 1, 5, 9, 2]
my_list.sort() # 列表被修改为 [1, 1, 2, 3, 4, 5, 9]
print(my_list)

my_strings = ['banana', 'apple', 'cherry']
my_strings.sort(key=len) # 按字符串长度排序
print(my_strings) # ['apple', 'banana', 'cherry']

而sorted()函数则更为通用，它可以接受任何可迭代对象（列表、元组、字符串、字典的键等），并总是返回一个新的排序后的列表，不会修改原始对象。它也支持key参数来定义复杂的排序逻辑。

my_tuple = (3, 1, 4)
sorted_tuple = sorted(my_tuple) # 返回 [1, 3, 4]，原元组不变
print(sorted_tuple)

my_dict = {'b': 2, 'a': 1, 'c': 3}
sorted_keys = sorted(my_dict.keys()) # 返回 ['a', 'b', 'c']
print(sorted_keys)

那么sort_values()呢？它专为Pandas的DataFrame和Series设计。它的核心优势在于：

1. 处理表格数据： 能够直接对DataFrame的特定列或多列进行排序，保持行与行之间的数据完整性。这是内置排序函数无法直接做到的。
2. 丰富的参数： 提供了by（指定列）、ascending（升降序）、inplace（是否原地修改）、na_position（缺失值位置）等参数，非常灵活。
3. 性能优化： Pandas底层使用C语言实现，对于大规模数据排序，通常比纯Python的排序效率更高。
4. 缺失值处理： 内置了对NaN（Not a Number）这种缺失值的处理选项，这在实际数据中非常常见。

所以，如果你只是想对一个简单的Python列表或元组进行排序，list.sort()或sorted()就足够了。但一旦你的数据是表格形式，需要按多列、有缺失值、或者想保持数据行完整性地排序，那么sort_values()就是你的不二之选。它更贴合数据分析的场景，能让你用更少的代码做更多的事情。

处理排序中的缺失值（NaN）有哪些策略？

在实际数据中，缺失值（NaN，Not a Number）是常客。当我们在Pandas DataFrame中进行排序时，这些缺失值的位置就成了一个需要考虑的问题。sort_values()函数提供了一个很方便的参数来控制它：na_position。

na_position参数有两个可选值：

• 'last' (默认值)：缺失值会被放在排序结果的最后。
• 'first'：缺失值会被放在排序结果的最前面。

这听起来很简单，但它确实解决了大部分缺失值排序的需求。比如，我们想把所有年龄未知的人（NaN）排在最前面，方便后续处理或识别：

import pandas as pd
import numpy as np

data_with_nan = {
    'ID': [1, 2, 3, 4, 5, 6],
    '分数': [85, 90, np.nan, 78, np.nan, 92],
    '等级': ['A', 'A', 'B', 'C', 'B', 'A']
}
df_nan = pd.DataFrame(data_with_nan)

print("原始数据（含NaN）：")
print(df_nan)

# 按分数排序，NaN排在最前面
df_nan_sorted_first = df_nan.sort_values(by='分数', na_position='first')
print("\n按分数排序，NaN在最前：")
print(df_nan_sorted_first)

# 按分数排序，NaN排在最后（默认行为）
df_nan_sorted_last = df_nan.sort_values(by='分数', na_position='last')
print("\n按分数排序，NaN在最后：")
print(df_nan_sorted_last)

除了使用na_position，有时我们可能希望在排序前就对缺失值进行预处理，而不是仅仅改变它们的位置。这通常是为了让数据更“干净”，或者为了避免排序结果被NaN影响到逻辑判断。常见的策略包括：

1. 填充缺失值 (fillna()):

   • 用一个固定值填充：比如用0、平均值、中位数等。
   • 用前一个或后一个有效值填充 (ffill()或bfill())。
   • 思考： 这种方法的好处是，排序时所有值都是有效的，但缺点是可能会引入人为的偏差，特别是当缺失值很多时。选择填充什么值，需要根据业务场景和数据特性来决定。

   # 示例：用0填充分数缺失值，然后排序
   df_filled_zero = df_nan.fillna({'分数': 0})
   df_filled_zero_sorted = df_filled_zero.sort_values(by='分数')
   print("\n填充0后排序：")
   print(df_filled_zero_sorted)

2. 删除缺失值所在行 (dropna()):

   • 如果缺失值所在的行对你的分析不重要，或者缺失值比例很小，直接删除这些行可能是最简单粗暴但有效的方法。
   • 思考： 这种方法会减少数据量，可能丢失一些信息。在做这个决定前，务必评估丢失的数据对整体分析的影响。

   # 示例：删除分数缺失的行，然后排序
   df_dropped_nan = df_nan.dropna(subset=['分数'])
   df_dropped_nan_sorted = df_dropped_nan.sort_values(by='分数')
   print("\n删除NaN行后排序：")
   print(df_dropped_nan_sorted)

选择哪种策略，取决于你的数据特性、缺失值的含义以及你希望排序结果如何反映这些缺失数据。通常，na_position是快速调整缺失值位置的好方法，而fillna()或dropna()则更偏向于数据清洗和准备阶段。

如何根据非直接列或自定义规则进行复杂排序？

有时候，直接按现有列排序并不能满足所有需求。我们可能需要根据某个列的衍生值来排序，或者根据一些非标准的、业务逻辑定义的顺序来排列。这听起来有点复杂，但在Pandas里，我们还是有办法优雅地处理这些情况。

1. 根据衍生列排序：

这种情况是指，你真正想排序的依据，并不是DataFrame中某个现成的列，而是通过现有列计算出来的一个新值。

例如，我们有一个包含字符串的列，但我们想按这些字符串的长度来排序，而不是按字母顺序。一个常见的做法就是先创建一个临时的“长度”列，然后按这个临时列排序，最后再把它删掉。

import pandas as pd

data_str = {
    'ID': [1, 2, 3, 4, 5],
    '产品名称': ['Apple iPhone', 'Samsung Galaxy S', 'Google Pixel', 'Xiaomi Redmi', 'OnePlus']
}
df_str = pd.DataFrame(data_str)

print("原始产品数据：")
print(df_str)

# 需求：按产品名称的字符串长度排序
# 步骤1：创建临时列
df_str['名称长度'] = df_str['产品名称'].apply(len)

# 步骤2：按临时列排序
df_str_sorted_by_len = df_str.sort_values(by='名称长度', ascending=False) # 降序，长的在前

# 步骤3：删除临时列（如果不需要保留的话）
df_str_sorted_by_len = df_str_sorted_by_len.drop(columns='名称长度')

print("\n按产品名称长度降序排序：")
print(df_str_sorted_by_len)

这种方法非常灵活，你可以用apply()结合任何自定义函数来创建衍生列，比如计算某个比率、提取日期中的年份、或者对文本进行某种模式匹配后的结果等。

2. 根据自定义（非自然）顺序排序（分类数据排序）：

这是在实际业务中非常常见的一个场景。比如，我们有一个“绩效等级”列，内容是'S', 'A', 'B', 'C'。如果直接排序，Python会按字母顺序排成'A', 'B', 'C', 'S'，但这显然不符合我们“S > A > B > C”的业务逻辑。

Pandas为此提供了一个非常强大的数据类型：CategoricalDtype。你可以定义分类的顺序，然后Pandas就会按照你指定的顺序进行排序。这比手动映射成数字再排序要优雅和健壮得多。

import pandas as pd

data_perf = {
    '员工': ['张三', '李四', '王五', '赵六', '钱七'],
    '绩效等级': ['B', 'A', 'S', 'C', 'A']
}
df_perf = pd.DataFrame(data_perf)

print("原始绩效数据：")
print(df_perf)

# 定义自定义排序顺序
performance_order = ['C', 'B', 'A', 'S']

# 将'绩效等级'列转换为有序的Categorical类型
df_perf['绩效等级'] = pd.Categorical(df_perf['绩效等级'], categories=performance_order, ordered=True)

# 现在直接按'绩效等级'排序，就会按照我们定义的顺序来
df_perf_sorted = df_perf.sort_values(by='绩效等级', ascending=True) # 这里ascending=True表示按我们定义的顺序从小到大排

print("\n按自定义绩效等级顺序排序：")
print(df_perf_sorted)

通过pd.Categorical，我们给Pandas提供了一个“字典”，告诉它'C'比'B'小，'B'比'A'小，以此类推。这样，无论列中出现什么值，只要在categories中定义了，排序时都会按照这个内部顺序来。这对于处理像月份（Jan, Feb, Mar...）、产品尺寸（S, M, L, XL）等非字母/数字自然顺序的分类数据非常有用。

这两种方法——创建衍生列和利用分类数据类型——覆盖了大部分复杂排序的需求。它们都体现了Pandas在数据处理上的强大和灵活性，能让你更好地控制数据的呈现方式，使其符合你的分析目的或业务逻辑。

到这里，我们也就讲完了《Python多列排序技巧：sort_values实用教程》的内容了。个人认为，基础知识的学习和巩固，是为了更好的将其运用到项目中，欢迎关注golang学习网公众号，带你了解更多关于的知识点！