📖 このステップで学ぶこと

・sort_values()でデータを並び替える

・value_counts()で値の出現回数を集計する

・unique()で重複を除いた値を取得する

・nunique()でユニークな値の個数を数える

・実践例：ランキング作成

学習時間の目安： 2.5〜3時間

💡 並び替えが必要な場面

・売上が高い順に商品を並べて、人気商品を見つける

・点数が高い順に生徒を並べて、成績ランキングを作る

・日付順にデータを並べて、時系列の変化を確認する

・名前のあいうえお順に並べて、検索しやすくする

📌 昇順と降順

📝 sort_values()の書き方

df.sort_values(‘列名’) → 昇順（小さい→大きい）で並び替え

df.sort_values(‘列名’, ascending=False) → 降順（大きい→小さい）で並び替え

・デフォルトは昇順（ascending=True）です

・元のDataFrameは変更されず、新しいDataFrameが返されます

コード：昇順で並び替え

# Pandasをインポート
import pandas as pd

# 成績データを作成
data = {
    '名前': ['太郎', '花子', '次郎', '美咲', '健太'],
    '数学': [85, 92, 78, 95, 88],
    '英語': [90, 88, 85, 92, 79],
    '国語': [78, 95, 88, 85, 92]
}

df = pd.DataFrame(data)

print("元のデータ:")
print(df)

print()

# 数学の点数で並び替え（昇順 = 小さい順）
sorted_df = df.sort_values('数学')
print("数学の点数で並び替え（昇順）:")
print(sorted_df)

※ 画面が小さい場合は、コードブロックを横にスクロールできます

実行結果

元のデータ:
   名前  数学  英語  国語
0  太郎  85  90  78
1  花子  92  88  95
2  次郎  78  85  88
3  美咲  95  92  85
4  健太  88  79  92

数学の点数で並び替え（昇順）:
   名前  数学  英語  国語
2  次郎  78  85  88
0  太郎  85  90  78
4  健太  88  79  92
1  花子  92  88  95
3  美咲  95  92  85

💡 コードの解説

df.sort_values(‘数学’)

　・「数学」列の値を基準に並び替えます

　・デフォルトは昇順（小さい→大きい）

　・78 → 85 → 88 → 92 → 95 の順になりました

左端のインデックス番号に注目

　・元のインデックス（0, 1, 2, 3, 4）がそのまま付いてきます

　・2, 0, 4, 1, 3 の順番になっています

　・これは元の行がどこにあったかを示しています

コード：降順で並び替え

import pandas as pd

data = {
    '名前': ['太郎', '花子', '次郎', '美咲', '健太'],
    '数学': [85, 92, 78, 95, 88]
}

df = pd.DataFrame(data)

# 数学の点数で並び替え（降順 = 大きい順）
sorted_df = df.sort_values('数学', ascending=False)
print("数学の点数で並び替え（降順）:")
print(sorted_df)

※ 画面が小さい場合は、コードブロックを横にスクロールできます

実行結果

数学の点数で並び替え（降順）:
   名前  数学
3  美咲  95
1  花子  92
4  健太  88
0  太郎  85
2  次郎  78

💡 ascending（アセンディング）の意味

ascendingは「上昇する」という意味の英語です。

ascending=True（デフォルト）

　・値が「上昇」していく = 昇順（小さい→大きい）

ascending=False

　・値が「上昇」しない = 降順（大きい→小さい）

📝 複数列で並び替えの書き方

df.sort_values([‘列1’, ‘列2’])

　・列1で並び替え、同じ値の場合は列2で並び替え

df.sort_values([‘列1’, ‘列2’], ascending=[True, False])

　・列1は昇順、列2は降順で並び替え

コード：複数列で並び替え

import pandas as pd

data = {
    '名前': ['太郎', '花子', '次郎', '美咲', '健太'],
    '学年': [2, 1, 2, 3, 1],
    '点数': [85, 92, 88, 95, 89]
}

df = pd.DataFrame(data)

print("元のデータ:")
print(df)

print()

# 学年（昇順）、同じ学年なら点数（降順）で並び替え
sorted_df = df.sort_values(['学年', '点数'], ascending=[True, False])
print("学年（昇順）→ 点数（降順）:")
print(sorted_df)

※ 画面が小さい場合は、コードブロックを横にスクロールできます

実行結果

元のデータ:
   名前  学年  点数
0  太郎   2  85
1  花子   1  92
2  次郎   2  88
3  美咲   3  95
4  健太   1  89

学年（昇順）→ 点数（降順）:
   名前  学年  点数
1  花子   1  92
4  健太   1  89
2  次郎   2  88
0  太郎   2  85
3  美咲   3  95

💡 コードの解説

ascending=[True, False]

　・最初の列（学年）は昇順（True）: 1年 → 2年 → 3年

　・2番目の列（点数）は降順（False）: 高い点数から

結果を見ると：

　・1年生が最初（花子92点、健太89点）

　・同じ1年生の中では、点数が高い順

　・次に2年生（次郎88点、太郎85点）

　・最後に3年生（美咲95点）

コード：インデックスをリセット

import pandas as pd

data = {
    '名前': ['太郎', '花子', '次郎', '美咲', '健太'],
    '数学': [85, 92, 78, 95, 88]
}

df = pd.DataFrame(data)

# 並び替え後、インデックスを0から振り直す
sorted_df = df.sort_values('数学', ascending=False)
sorted_df = sorted_df.reset_index(drop=True)

print("インデックスをリセット:")
print(sorted_df)

※ 画面が小さい場合は、コードブロックを横にスクロールできます

実行結果

インデックスをリセット:
   名前  数学
0  美咲  95
1  花子  92
2  健太  88
3  太郎  85
4  次郎  78

💡 reset_index(drop=True)の意味

reset_index()：インデックスを0から振り直す

drop=True：古いインデックスを捨てる

drop=False（デフォルト）：古いインデックスを列として残す

通常はdrop=Trueを指定して、古いインデックスを削除します。

📝 value_counts()の書き方

Series.value_counts() → 各値の出現回数を集計

df[‘列名’].value_counts() → 特定の列で集計

・結果は自動的に多い順に並びます

・結果はSeriesで返されます

コード：値の出現回数を集計

import pandas as pd

# 販売データを作成
sales_data = {
    '商品': ['りんご', 'バナナ', 'りんご', 'みかん', 'バナナ',
            'りんご', 'ぶどう', 'バナナ', 'りんご', 'みかん'],
    '個数': [3, 5, 2, 4, 3, 1, 6, 2, 4, 3],
    '地域': ['東京', '大阪', '東京', '名古屋', '大阪',
            '東京', '名古屋', '東京', '大阪', '名古屋']
}

df = pd.DataFrame(sales_data)

print("元のデータ:")
print(df)

print()

# 商品ごとの販売回数を集計
print("商品ごとの販売回数:")
print(df['商品'].value_counts())

print()

# 地域ごとの販売回数を集計
print("地域ごとの販売回数:")
print(df['地域'].value_counts())

※ 画面が小さい場合は、コードブロックを横にスクロールできます

実行結果

元のデータ:
    商品  個数   地域
0  りんご   3   東京
1  バナナ   5   大阪
2  りんご   2   東京
3  みかん   4  名古屋
4  バナナ   3   大阪
5  りんご   1   東京
6  ぶどう   6  名古屋
7  バナナ   2   東京
8  りんご   4   大阪
9  みかん   3  名古屋

商品ごとの販売回数:
商品
りんご    4
バナナ    3
みかん    2
ぶどう    1
Name: count, dtype: int64

地域ごとの販売回数:
地域
東京      4
大阪      3
名古屋    3
Name: count, dtype: int64

💡 コードの解説

df[‘商品’].value_counts()

　・「商品」列の各値が何回出現するかを集計

　・りんごは4回、バナナは3回、みかんは2回、ぶどうは1回

　・自動的に多い順に並びます

これを見ると「りんごが一番売れている」ことがわかります！

コード：割合で表示

import pandas as pd

sales_data = {
    '商品': ['りんご', 'バナナ', 'りんご', 'みかん', 'バナナ',
            'りんご', 'ぶどう', 'バナナ', 'りんご', 'みかん']
}

df = pd.DataFrame(sales_data)

# 割合を計算（normalize=True）
print("商品の割合:")
percentages = df['商品'].value_counts(normalize=True)
print(percentages)

print()

# パーセントで表示（×100）
print("パーセント表示:")
print(percentages * 100)

※ 画面が小さい場合は、コードブロックを横にスクロールできます

実行結果

商品の割合:
商品
りんご    0.4
バナナ    0.3
みかん    0.2
ぶどう    0.1
Name: proportion, dtype: float64

パーセント表示:
商品
りんご    40.0
バナナ    30.0
みかん    20.0
ぶどう    10.0
Name: proportion, dtype: float64

💡 normalize=Trueの使い道

割合がわかると、データの構成比が理解しやすくなります。

例：「りんごは全体の40%を占めている」

　・件数だけだと「4個」

　・割合だと「40%」（全体の4割）

レポートや分析では、割合の方がわかりやすい場面も多いです。

📝 unique()とnunique()の書き方

df[‘列名’].unique() → 重複を除いた値の配列を返す

df[‘列名’].nunique() → ユニークな値の個数を返す

・unique()は値のリスト、nunique()は個数を返します

コード：ユニークな値を取得

import pandas as pd

sales_data = {
    '商品': ['りんご', 'バナナ', 'りんご', 'みかん', 'バナナ',
            'りんご', 'ぶどう', 'バナナ', 'りんご', 'みかん'],
    '地域': ['東京', '大阪', '東京', '名古屋', '大阪',
            '東京', '名古屋', '東京', '大阪', '名古屋']
}

df = pd.DataFrame(sales_data)

# 商品の種類を確認
print("商品の種類:")
unique_products = df['商品'].unique()
print(unique_products)
print(f"→ 全部で{len(unique_products)}種類")

print()

# nunique()で直接個数を取得
print("ユニーク数を直接取得:")
n_products = df['商品'].nunique()
n_regions = df['地域'].nunique()
print(f"商品の種類: {n_products}種類")
print(f"地域の数: {n_regions}地域")

※ 画面が小さい場合は、コードブロックを横にスクロールできます

実行結果

商品の種類:
['りんご' 'バナナ' 'みかん' 'ぶどう']
→ 全部で4種類

ユニーク数を直接取得:
商品の種類: 4種類
地域の数: 3地域

📌 unique()とvalue_counts()の違い

コード：売上ランキング作成

import pandas as pd

# 月別の商品売上データ
monthly_sales = {
    '商品名': ['ノートPC', 'タブレット', 'スマートフォン', 'イヤホン', 
              'キーボード', 'マウス', 'モニター', 'Webカメラ'],
    '売上金額': [5800000, 3200000, 8500000, 1200000, 
                450000, 380000, 2100000, 680000]
}

df = pd.DataFrame(monthly_sales)

print("元のデータ:")
print(df)

print()

# ステップ1: 売上順に並び替え（大きい順）
df_sorted = df.sort_values('売上金額', ascending=False)

# ステップ2: インデックスをリセット
df_sorted = df_sorted.reset_index(drop=True)

# ステップ3: 順位を追加
df_sorted['順位'] = range(1, len(df_sorted) + 1)

# ステップ4: 列の順番を変更（順位を最初に）
df_sorted = df_sorted[['順位', '商品名', '売上金額']]

print("売上ランキング TOP 8:")
print(df_sorted)

※ 画面が小さい場合は、コードブロックを横にスクロールできます

実行結果

元のデータ:
       商品名    売上金額
0    ノートPC  5800000
1   タブレット  3200000
2  スマートフォン  8500000
3    イヤホン  1200000
4  キーボード   450000
5     マウス   380000
6    モニター  2100000
7   Webカメラ   680000

売上ランキング TOP 8:
   順位       商品名    売上金額
0   1  スマートフォン  8500000
1   2    ノートPC  5800000
2   3   タブレット  3200000
3   4    モニター  2100000
4   5    イヤホン  1200000
5   6   Webカメラ   680000
6   7  キーボード   450000
7   8     マウス   380000

💡 ランキング作成の手順

ステップ1：売上金額で降順に並び替え

ステップ2：インデックスを0から振り直す

ステップ3：順位列を追加（1, 2, 3, …）

ステップ4：列の順番を整理

range(1, len(df_sorted) + 1)

　・1から始まる連番を生成

　・len(df_sorted)はデータの行数

　・range(1, 9)で[1, 2, 3, 4, 5, 6, 7, 8]が生成されます

コード：TOP 3を抽出

import pandas as pd

# 売上データ
sales_data = {
    '商品': ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J'],
    '売上': [450, 890, 230, 670, 920, 340, 780, 560, 410, 850]
}

df = pd.DataFrame(sales_data)

# 売上TOP 5を取得
print("売上TOP 5:")
top5 = df.sort_values('売上', ascending=False).head(5)
print(top5)

print()

# 売上BOTTOM 3を取得（ワーストランキング）
print("売上BOTTOM 3:")
bottom3 = df.sort_values('売上', ascending=True).head(3)
print(bottom3)

※ 画面が小さい場合は、コードブロックを横にスクロールできます

実行結果

売上TOP 5:
  商品   売上
4  E  920
1  B  890
9  J  850
6  G  780
3  D  670

売上BOTTOM 3:
  商品   売上
2  C  230
5  F  340
8  I  410

💡 head()との組み合わせ

sort_values().head(N)

　・並び替えた後、上位N件だけを取得

　・TOP 5なら.head(5)

ワーストランキング

　・昇順（ascending=True）で並び替えてhead()

　・一番小さい値から順に取得できます

📋 問題

以下のデータを「価格」の高い順に並び替えてください。

・商品: [‘ペン’, ‘ノート’, ‘消しゴム’, ‘定規’, ‘ホッチキス’]

・価格: [120, 200, 80, 150, 350]

📋 問題

以下の果物のリストで、各果物が何個ずつあるか集計してください。

fruits = [‘りんご’, ‘バナナ’, ‘りんご’, ‘みかん’, ‘バナナ’, ‘りんご’, ‘みかん’, ‘りんご’, ‘バナナ’, ‘りんご’]

📋 問題

以下の学生データを「学年」の昇順、同じ学年の場合は「点数」の降順で並び替えてください。

・名前: [‘太郎’, ‘花子’, ‘次郎’, ‘美咲’, ‘健太’]

・学年: [2, 1, 2, 3, 1]

・点数: [85, 92, 88, 95, 89]

📋 問題

以下の商品データから、売上金額のTOP 3を表示し、順位を付けてください。

・商品名: [‘商品A’, ‘商品B’, ‘商品C’, ‘商品D’, ‘商品E’, ‘商品F’, ‘商品G’, ‘商品H’]

・売上金額: [1200000, 850000, 2300000, 950000, 1800000, 670000, 1500000, 1100000]

📋 問題

以下のデータについて、地域ごとの販売回数を集計し、割合（パーセント）も表示してください。

・地域: [‘東京’, ‘大阪’, ‘東京’, ‘名古屋’, ‘大阪’, ‘東京’, ‘福岡’, ‘大阪’, ‘東京’, ‘名古屋’]

📋 問題

以下のアンケートデータから、評価を数値化（excellent=4, good=3, fair=2, poor=1）して、平均評価が高い順に並べてください。

・名前: [‘Aさん’, ‘Bさん’, ‘Cさん’, ‘Dさん’, ‘Eさん’]

・評価: [‘excellent’, ‘good’, ‘fair’, ‘excellent’, ‘good’]

✅ 学んだこと

✓ sort_values()でデータを並び替えられる

✓ ascending=Falseで降順（大きい→小さい）に並び替え

✓ value_counts()で各値の出現回数を集計できる

✓ normalize=Trueで割合を計算できる

✓ unique()で重複を除いた値を取得できる

✓ nunique()でユニークな値の個数を数えられる

✓ 複数の列で並び替えができる

✓ ランキング作成などの実践的な処理ができる

💡 次のステップに進む前に確認

以下のことができるようになったか確認しましょう：

□ sort_values()で並び替えができますか？

□ value_counts()で集計できますか？

□ unique()とvalue_counts()の違いがわかりますか？

□ 複数列での並び替えができますか？

□ TOP Nの抽出ができますか？

これらができたら、次のステップに進みましょう！

A: いいえ、元のDataFrameは変更されません。並び替えた結果は新しいDataFrameとして返されます。元のDataFrameを変更したい場合は、df.sort_values('列名', inplace=True)を使います。

A: value_counts()は単純に各値の出現回数を数えます。groupby()はグループごとに様々な集計（合計、平均など）ができます。value_counts()は集計の特殊な形と考えるとわかりやすいです。

A: 並び替えても、元の行のインデックス番号がそのまま付いてくるからです。インデックスを0から振り直したい場合は、reset_index(drop=True)を使いましょう。

A: デフォルトでは、NaNは最後に配置されます。これはna_position='last'が初期設定だからです。最初に配置したい場合はna_position='first'を指定します。

A: はい、できます。文字列はアルファベット順（日本語はUnicodeの順序）で並び替えられます。「あいうえお順」に近い順番になりますが、完全な50音順ではない場合があります。