[Pandas] sort_values / sort_index

2026년 7월 16일 · 수정 2026년 7월 16일 · 📖 약 1분 · 514자/단어 #python #pandas #sorting

정의

sort_values(): 컬럼 값 기준 정렬
sort_index(): index (행 또는 열 라벨) 기준 정렬

기본은 오름차순, ascending=False 로 내림차순.

사용 상황

단일 컬럼 정렬: 날짜, 점수, 금액 등 단순 순위 정렬
다중 컬럼 정렬: 그룹 내 부분 정렬 (예: 지역별 내림차순 매출)
nlargest / nsmallest: 전체 정렬 없이 상위/하위 N 개만 빠르게 추출
sort_index: 합병/pivot 후 흐트러진 index 를 원래 순서로 복구

정렬 흐름 시각화

flowchart TD
    Q{"무엇 기준으로 정렬?"}
    Q -->|"컬럼 값"| SV["sort_values(by='col')"]
    Q -->|"index 라벨"| SI["sort_index()"]

    SV --> MC{"다중 컬럼?"}
    MC -->|"예"| ML["sort_values(['col1','col2'], ascending=[True, False])"]
    MC -->|"아니오"| SS["sort_values('col', ascending=True/False)"]

    SS --> NL{"Top-N 만 필요?"}
    NL -->|"예"| NLS["nlargest / nsmallest"]
    NL -->|"아니오"| FULL["전체 정렬"]

sort_values 기본

python

import pandas as pd
df = pd.DataFrame({
  'name': ['Alice', 'Bob', 'Charlie', 'Dave'],
  'age': [30, 25, 35, 28],
  'salary': [5000, 4000, 6000, 4500],
})

print(df.sort_values('age'))
print('---')
print(df.sort_values('age', ascending=False))

결과

      name  age  salary
1      Bob   25    4000
3     Dave   28    4500
0    Alice   30    5000
2  Charlie   35    6000
---
    name  age  salary
2  Charlie   35    6000
0    Alice   30    5000
3     Dave   28    4500
1      Bob   25    4000

여러 컬럼 정렬

df.sort_values(['city', 'age'])
df.sort_values(['city', 'age'], ascending=[True, False])
# city 오름차순, 같은 city 안에서 age 내림차순

python

import pandas as pd
df = pd.DataFrame({
  'city':   ['Seoul', 'Busan', 'Seoul', 'Busan', 'Seoul'],
  'name':   ['A', 'B', 'C', 'D', 'E'],
  'sales':  [100, 200, 150, 300, 80],
})
result = df.sort_values(['city', 'sales'], ascending=[True, False])
print(result)

결과

    city name  sales
1  Busan    B    200
3  Busan    D    300
2  Seoul    C    150
0  Seoul    A    100
4  Seoul    E     80

NaN 위치

df.sort_values('age', na_position='last')    # 기본: NaN 을 마지막에
df.sort_values('age', na_position='first')   # NaN 을 맨 앞에

NaN 은 비교 불가. na_position 으로 위치를 명시해야 의도한 결과를 얻을 수 있다.

stable sort

df.sort_values('age', kind='stable')        # 같은 값의 상대 순서 유지

기본 kind='quicksort'. stable 이 필요한 경우: multi-pass 정렬, 카테고리별 누적 순서 유지 시 kind='stable' 명시.

key 함수

# 대소문자 무시 정렬
df.sort_values('name', key=lambda s: s.str.lower())

# 절댓값 기준
df.sort_values('balance', key=lambda s: s.abs())

# 한글 초성 기준 정렬 (사용자 정의 매핑 필요)
CHOSEONG_ORDER = {'가': 'ㄱ', '나': 'ㄴ', ...}
df.sort_values('name', key=lambda s: s.map(lambda x: CHOSEONG_ORDER.get(x[0], x)))

sort_index

df.sort_index()                    # 행 라벨 정렬
df.sort_index(axis=1)              # 컬럼 이름 정렬
df.sort_index(ascending=False)     # 내림차순
df.sort_index(level=0)             # MultiIndex 의 특정 level

pivot / merge 후 index 가 흐트러졌을 때 sort_index() 로 복원:

pivoted = df.pivot_table(index='date', columns='product', values='sales')
pivoted.sort_index()  # 날짜 순으로 복원

sorted 결과를 in-place 로

df = df.sort_values('age')           # 사본 (권장)
df.sort_values('age', inplace=True)  # in-place (deprecated 방향)

TIP

새 pandas 에서는 in-place 가 더 빠르지 않다. 명시성과 method chain 을 위해 df = df.sort_values(...) 형태를 권장.

reset_index 와 함께

정렬 후 index 가 뒤섞이는 게 싫다면 reset_index(drop=True):

df_sorted = df.sort_values('age').reset_index(drop=True)

nlargest / nsmallest

상위/하위 N 개만 필요하면 sort 후 head 보다 nlargest / nsmallest 가 빠르다.

df.nlargest(3, 'salary')            # 상위 3 명
df.nsmallest(3, 'salary')           # 하위 3 명
df.nlargest(3, ['salary', 'age'])   # 다중 키 Top-N

Pandas nlargest / rank 참고.

실전 패턴

그룹별 Top-N

# 각 도시에서 매출 상위 2 명
top2_per_city = (
    df.sort_values('sales', ascending=False)
    .groupby('city')
    .head(2)
)

날짜 내림차순으로 최신 N 개

df.sort_values('created_at', ascending=False).head(10)

특정 값을 맨 앞으로

# status == 'urgent' 를 맨 앞에 배치
order_map = {'urgent': 0, 'normal': 1, 'low': 2}
df.sort_values('status', key=lambda s: s.map(order_map))

정렬 후 순위 컬럼 추가

df_sorted = df.sort_values('score', ascending=False)
df_sorted['rank'] = range(1, len(df_sorted) + 1)

다중 DataFrame 정렬 후 concat

import pandas as pd
result = pd.concat([
    df_jan.sort_values('date'),
    df_feb.sort_values('date'),
], ignore_index=True)

성능

방법	복잡도	용도
`sort_values`	O(n log n)	전체 정렬
`nlargest(k)`	O(n + k log k)	상위 k 개
`sort_values().head(k)`	O(n log n)	전체 정렬 후 잘라냄

Top-N 만 필요하다면 nlargest 가 항상 빠르다.

# 1000 만 행에서 상위 10 개: nlargest 가 sort_values().head() 보다 빠름
df.nlargest(10, 'score')

함정

1. 정렬 후 index 가 섞임

df.sort_values('age')
# index: 1, 3, 0, 2 같이 뒤섞임
# .iloc[0] 은 정렬 결과의 첫 행 (의도한 동작)
# .loc[0] 은 라벨 0 인 행 (정렬 전 첫 번째 행)
df.sort_values('age').reset_index(drop=True).iloc[0]   # 명확

2. inplace=True 의 부작용

df.sort_values('age', inplace=True)
# 이후 모든 view 가 영향받음
# method chain 도 끊김

3. 한글 정렬

# 기본은 유니코드 순. 한글의 사전순이 항상 직관적이지는 않음
# 특히 초성 구분이 안 될 때: 별도 정렬 키 또는 locale 사용

WARNING

sort_values 에 inplace=True 를 쓰면 pandas 2.x Copy-on-Write 환경에서 경고가 발생할 수 있다. 새 DataFrame 을 할당하는 방식 (df = df.sort_values(...)) 을 사용하라.

4. NaN 과 ascending=False 의 조합

# ascending=False + na_position='last' (기본): NaN 이 맨 마지막
# ascending=True + na_position='last' (기본): NaN 이 맨 마지막
# na_position 은 ascending 과 독립적
df.sort_values('score', ascending=False, na_position='last')