Pandas Sort Values：PythonでのDataFrameソート完全ガイド
- Name
- Soren Atelier
Updated on
ソートされていないデータは分析が困難です。何千行ものデータをスクロールして最高売上、最新の日付、最低エラー率を探しても、データが整理されていれば明らかなパターンを見逃してしまいます。Pythonのリストソートは単純なケースでは機能しますが、DataFrameは複数の列、混合型、欠損値を持っており、リストでは処理できません。
Pandasのsort_values()は、昇順/降順の制御、null値の配置、安定性を完全に制御しながら、1つ以上の列でDataFrameをソートします。このガイドでは、実際のデータ作業で遭遇するすべてのソートパターンをカバーします。
sort_values()を使った基本的なソート
単一列でソート
import pandas as pd
df = pd.DataFrame({
'name': ['Alice', 'Bob', 'Charlie', 'Diana', 'Eve'],
'score': [85, 92, 78, 95, 88],
'age': [25, 30, 22, 28, 35]
})
# scoreでソート（デフォルトは昇順）
sorted_df = df.sort_values('score')
print(sorted_df)
# name score age
# 2 Charlie 78 22
# 0 Alice 85 25
# 4 Eve 88 35
# 1 Bob 92 30
# 3 Diana 95 28降順ソート
import pandas as pd
df = pd.DataFrame({
'name': ['Alice', 'Bob', 'Charlie', 'Diana', 'Eve'],
'score': [85, 92, 78, 95, 88],
'age': [25, 30, 22, 28, 35]
})
# 最高スコアを先頭に
sorted_df = df.sort_values('score', ascending=False)
print(sorted_df)
# name score age
# 3 Diana 95 28
# 1 Bob 92 30
# 4 Eve 88 35
# 0 Alice 85 25
# 2 Charlie 78 22インプレースソート
import pandas as pd
df = pd.DataFrame({
'name': ['Alice', 'Bob', 'Charlie'],
'score': [85, 92, 78]
})
# dfを直接変更（コピーは作成されない）
df.sort_values('score', inplace=True)
print(df)
# name score
# 2 Charlie 78
# 0 Alice 85
# 1 Bob 92複数列ソート
複数列でソート
import pandas as pd
df = pd.DataFrame({
'department': ['Sales', 'Engineering', 'Sales', 'Engineering', 'Sales'],
'name': ['Alice', 'Bob', 'Charlie', 'Diana', 'Eve'],
'salary': [70000, 85000, 65000, 90000, 70000]
})
# まず部門でソートし、次に各部門内で給与でソート
sorted_df = df.sort_values(['department', 'salary'])
print(sorted_df)
# department name salary
# 1 Engineering Bob 85000
# 3 Engineering Diana 90000
# 2 Sales Charlie 65000
# 0 Sales Alice 70000
# 4 Sales Eve 70000昇順/降順の混合
import pandas as pd
df = pd.DataFrame({
'department': ['Sales', 'Engineering', 'Sales', 'Engineering', 'Sales'],
'name': ['Alice', 'Bob', 'Charlie', 'Diana', 'Eve'],
'salary': [70000, 85000, 65000, 90000, 70000]
})
# 部門は昇順、給与は降順
sorted_df = df.sort_values(
['department', 'salary'],
ascending=[True, False]
)
print(sorted_df)
# department name salary
# 3 Engineering Diana 90000
# 1 Engineering Bob 85000
# 0 Sales Alice 70000
# 4 Sales Eve 70000
# 2 Sales Charlie 65000欠損値（NaN）の処理
デフォルトでは、ソート方向に関係なくNaN値は末尾に配置されます。na_positionで制御できます：
import pandas as pd
import numpy as np
df = pd.DataFrame({
'name': ['Alice', 'Bob', 'Charlie', 'Diana'],
'score': [85, np.nan, 78, np.nan]
})
# NaNを末尾に（デフォルト）
print(df.sort_values('score'))
# name score
# 2 Charlie 78.0
# 0 Alice 85.0
# 1 Bob NaN
# 3 Diana NaN
# NaNを先頭に
print(df.sort_values('score', na_position='first'))
# name score
# 1 Bob NaN
# 3 Diana NaN
# 2 Charlie 78.0
# 0 Alice 85.0sort_index()でインデックスによるソート
import pandas as pd
df = pd.DataFrame({
'name': ['Alice', 'Bob', 'Charlie'],
'score': [85, 92, 78]
}, index=[2, 0, 1])
# インデックスでソート
print(df.sort_index())
# name score
# 0 Bob 92
# 1 Charlie 78
# 2 Alice 85
# 列名でソート（axis=1）
df2 = pd.DataFrame({
'c': [1, 2], 'a': [3, 4], 'b': [5, 6]
})
print(df2.sort_index(axis=1))
# a b c
# 0 3 5 1
# 1 4 6 2ソート後のインデックスリセット
ソート後、元のインデックスは保持されます。きれいな連番インデックスを取得するには：
import pandas as pd
df = pd.DataFrame({
'name': ['Alice', 'Bob', 'Charlie'],
'score': [85, 92, 78]
})
sorted_df = df.sort_values('score').reset_index(drop=True)
print(sorted_df)
# name score
# 0 Charlie 78
# 1 Alice 85
# 2 Bob 92drop=Trueを使用して古いインデックスを破棄します。使用しない場合、古いインデックスが列になります。
カスタムソート順
カテゴリ型を使用
import pandas as pd
df = pd.DataFrame({
'priority': ['Medium', 'High', 'Low', 'High', 'Medium'],
'task': ['Task A', 'Task B', 'Task C', 'Task D', 'Task E']
})
# カスタム順序を定義
priority_order = pd.CategoricalDtype(['Low', 'Medium', 'High'], ordered=True)
df['priority'] = df['priority'].astype(priority_order)
sorted_df = df.sort_values('priority')
print(sorted_df)
# priority task
# 2 Low Task C
# 0 Medium Task A
# 4 Medium Task E
# 1 High Task B
# 3 High Task Dkeyパラメータを使用
import pandas as pd
df = pd.DataFrame({
'name': ['alice', 'Bob', 'CHARLIE', 'diana'],
'score': [85, 92, 78, 95]
})
# 大文字小文字を区別しないソート
sorted_df = df.sort_values('name', key=lambda x: x.str.lower())
print(sorted_df)
# name score
# 0 alice 85
# 1 Bob 92
# 2 CHARLIE 78
# 3 diana 95メソッド比較
| メソッド | 用途 | 元のデータを変更？ | 戻り値 |
|---|---|---|---|
sort_values(col) | 列の値でソート | いいえ（inplace=Trueの場合を除く） | ソート済みDataFrame |
sort_values([col1, col2]) | 複数列でソート | いいえ（inplace=Trueの場合を除く） | ソート済みDataFrame |
sort_index() | 行インデックスでソート | いいえ（inplace=Trueの場合を除く） | ソート済みDataFrame |
nsmallest(n, col) | 最小のn値を取得 | いいえ | DataFrameサブセット |
nlargest(n, col) | 最大のn値を取得 | いいえ | DataFrameサブセット |
rank() | 値にランクを割り当て | いいえ | ランクのSeries |
パフォーマンスのヒント
Top-NにはnLargest()とnsmallest()を使用
上位N行または下位N行のみが必要な場合、nlargest()とnsmallest()はDataFrame全体をソートするよりも高速です：
import pandas as pd
import numpy as np
# 大規模DataFrame
df = pd.DataFrame({
'id': range(1_000_000),
'value': np.random.randn(1_000_000)
})
# 高速：上位10件のみを検索
top_10 = df.nlargest(10, 'value')
# 低速：すべてをソートしてからスライス
top_10_slow = df.sort_values('value', ascending=False).head(10)安定ソートと不安定ソート
import pandas as pd
df = pd.DataFrame({
'group': ['A', 'B', 'A', 'B'],
'value': [1, 1, 2, 2],
'order': [1, 2, 3, 4]
})
# 安定ソート（デフォルト）は同値の元の順序を保持
stable = df.sort_values('value', kind='mergesort') # デフォルト
# 不安定ソート（大規模データセットでは高速）
unstable = df.sort_values('value', kind='quicksort')実践的な例
日付のソート
import pandas as pd
df = pd.DataFrame({
'event': ['Launch', 'Meeting', 'Deadline', 'Review'],
'date': pd.to_datetime(['2026-03-15', '2026-01-10', '2026-02-28', '2026-01-05'])
})
# 時系列順
print(df.sort_values('date'))
# event date
# 3 Review 2026-01-05
# 1 Meeting 2026-01-10
# 2 Deadline 2026-02-28
# 0 Launch 2026-03-15GroupByと組み合わせたソート
import pandas as pd
df = pd.DataFrame({
'store': ['A', 'A', 'B', 'B', 'A', 'B'],
'product': ['X', 'Y', 'X', 'Y', 'Z', 'Z'],
'revenue': [100, 250, 150, 300, 200, 175]
})
# 各店舗で収益が最も高い商品
top_per_store = (df.sort_values('revenue', ascending=False)
.groupby('store')
.head(1))
print(top_per_store)
# store product revenue
# 3 B Y 300
# 1 A Y 250ソートデータの視覚的探索
DataFrameをソートしてパターンを見つけた後、PyGWalker (opens in a new tab)を使えばJupyterでインタラクティブなドラッグ＆ドロップチャートを通じて同じデータを探索できます——追加のコードは不要です：
import pygwalker as pyg
walker = pyg.walk(sorted_df)よくある質問
pandasでDataFrameを列でソートするには？
df.sort_values('column_name')で昇順、df.sort_values('column_name', ascending=False)で降順にソートします。複数列の場合はリストを渡します：df.sort_values(['col1', 'col2'])。
複数列を異なる順序でソートするには？
ascendingにブール値のリストを渡します：df.sort_values(['col1', 'col2'], ascending=[True, False])。これによりcol1は昇順、col2は降順でソートされます。
ソート時にNaN値はどこに配置される？
デフォルトでは、ソート方向に関係なくNaN値は末尾に配置されます。na_position='first'を使用して先頭に配置できます：df.sort_values('col', na_position='first')。
sort_valuesとsort_indexの違いは？
sort_values()は列の値でソートします。sort_index()は行インデックス（またはaxis=1で列インデックス）でソートします。データのソートにはsort_valuesを、インデックスラベルによる順序付けにはsort_indexを使用します。
コピーを作成せずにDataFrameをインプレースでソートするには？
inplace=Trueを渡します：df.sort_values('col', inplace=True)。これは元のDataFrameを変更しNoneを返します。ただし、モダンなpandasスタイルでは再代入が推奨されます：df = df.sort_values('col')。
まとめ
sort_values()はpandasでDataFrameをソートするための主要なツールです。単純なソートには単一列名を、複数列ソートにはリストを、方向の制御にはascendingパラメータを使用します。na_positionで欠損値を処理し、Top-Nクエリにはnlargest()/nsmallest()を、カスタム順序にはCategoricalDtypeを使用します。ソートはデフォルトで新しいDataFrameを返すことを忘れないでください——きれいな連番インデックスが必要な場合はreset_index(drop=True)を使用してください。