AI编程（三十二）：Excel筛选排序 — 一行代码筛出你想要的行

八百行的表里找”华东区、销售额过万、三月份”的订单，Excel要三轮筛选加一次排序、点十几下鼠标。pandas一行条件、一行排序，两行代码拿下——而且换个问题只要换个条件，鼠标点过的活儿再也回不来了

一、老板的”第二轮追问”

上一篇结尾留了个话头：老板问完”总销售额、销售冠军、平均单值”，果然杀了个回马枪。这次的问题是：“华东区销售额过万的订单有哪些？按销售额从高到低排出来。”

打开Excel你是这么干的：点”部门”列的筛选箭头→勾”华东”→点”销售额”列筛选→数字筛选→大于→10000→点”销售额”列头排序→降序。十几下鼠标，两分钟。这时候老板又补了一句：”那三月份的呢？””那华南区的呢？”——每换一个条件，前面的鼠标全重点一遍。

上一篇我们把数据读进了程序（忘了的话回看第31篇：df = pd.read_excel("销售明细.xlsx")，df是一张住在程序里的超级表格）。数据在程序里，”筛选”和”排序”就变成了写条件，而不是点鼠标：

华东过万 = df[(df["部门"] == "华东") & (df["销售额"] > 10000)]
结果 = 华东过万.sort_values("销售额", ascending=False)
print(结果)

两行，完事。==、>、&是什么？sort_values那个长参数是什么？别急，今天就讲透这两下。今天的唯一一个新概念是：布尔筛选——用”条件”当筛子，让表自己把不合格的行筛掉。排序只是它的”售后服务”，看一遍就会。

二、新概念：布尔筛选——给表一把”筛子”

一个条件，先看它吐出什么

先不筛任何东西，就看条件本身长什么样：

print(df["部门"] == "华东")

0     True
1    False
2     True
3    False
4     True
Name: 部门, dtype: bool

df["部门"] == "华东"逐行问了一个问题：”这一行的部门是华东吗？”答案是一列True/False——True是”是”，False是”不是”。这种只有两种值的类型叫布尔值（bool，第5篇条件判断里if吃的正是它）。这一列True/False，就是一把筛子：True的行留下，False的行滤掉。

把筛子按到表上

怎么”按”？把这一列True/False再塞回df的方括号里：

华东们 = df[df["部门"] == "华东"]
print(华东们)

   姓名   部门   销售额         日期
0  小王  华东  12000  2026-01-05
2  小张  华东  15300  2026-01-07
4  小王  华东  11000  2026-01-09

对照原始表看：1号小李（华南）和3号小赵（华北）消失了，剩下的行号0、2、4还保留着原样——筛选不打乱原表，只是”摘”出符合条件的行。读法记好：df[ 条件 ] = “表里满足条件的那些行”。

这就是今天的主菜。写法上跟第31篇的df["销售额"]长得像，但含义完全不同，别混：

df["销售额"]            # 方括号里是列名字符串 → 取一列（Series）
df[df["部门"] == "华东"]  # 方括号里是True/False列 → 取符合条件的行（DataFrame）

一张图记住：方括号里放”名字”取列，放”条件”取行。

两个条件：且（&）、或（|）

老板要的是”华东且销售额过万”。两个条件同时满足，用&（且）连起来：

华东过万 = df[(df["部门"] == "华东") & (df["销售额"] > 10000)]
print(华东过万)

   姓名   部门   销售额         日期
2  小张  华东  15300  2026-01-07

注意三个写法细节，全是血泪坑（后面坑点区还会敲黑板）：

1. 每个条件都要用小括号包起来——(df["部门"] == "华东") & (df["销售额"] > 10000)。不包的话运算顺序会乱，直接报错或者算出鬼结果
2. “且”用&，”或”用|（键盘上回车键上方那个竖线）。不是英语单词and/or！pandas认符号不认单词
3. 比较符号跟第5篇if里一模一样：==等于、!=不等于、>大于、<小于、>=大于等于、<=小于等于

“或”的用法举个例子，”华东区或者华北区的订单”：

华东华北 = df[(df["部门"] == "华东") | (df["部门"] == "华北")]

条件再多也一样叠：三月份且（华东或华北）且销售额过万，就是三个括号用&、|拼起来。条件组合的本质就是第5篇if里的多条件判断，只是这次if变成了”整列的筛子”。

按区间、按名单筛

两个高频花样顺手拿下：

# 区间：销售额在5000到10000之间（含5000不含10000的写法看清楚）
中间层 = df[(df["销售额"] >= 5000) & (df["销售额"] < 10000)]

# 名单：部门是华东或华南或华北，用 isin（"是否在其中"）
三大区 = df[df["部门"].isin(["华东", "华南", "华北"])]

isin(列表)就是”这一行的值，在我给的名单里吗”——一个isin顶三个|，名单多长都行。

三、排序：sort_values，”服务业”登场

筛出来的华东过万还得按销售额从高到低排。排序函数是sort_values()：

结果 = 华东过万.sort_values("销售额", ascending=False)
print(结果)

拆开念人话：sort_values("销售额") = “按’销售额’这一列排”，ascending=False = “降序”（ascending是”上升”的意思，False就是不往上走，那就是往下走=从大到小）。不写这个参数默认升序（从小到大）。

两个顺手的花样：

# 先按部门排、部门相同的再按销售额排（多级排序，跟Excel"主要关键字/次要关键字"一个意思）
df.sort_values(["部门", "销售额"], ascending=[True, False])

# 反转列顺序什么的都是浮云，倒着排原始表看看前3行经常有用
df.sort_values("日期").head(3)   # 最早的3条订单

多级排序里，ascending传一个列表，跟排序列一一对应：[True, False] = 部门升序、销售额降序。

四、实战：老板的追问，两行一个

完整代码收拢一下，以后这类问题就是”换个条件”的事：

import pandas as pd

df = pd.read_excel("销售明细.xlsx")

# 老板问：华东区销售额过万的订单，按销售额从高到低
华东过万 = df[(df["部门"] == "华东") & (df["销售额"] > 10000)]
结果 = 华东过万.sort_values("销售额", ascending=False)
print(f"华东区过万订单共{len(结果)}条：")
print(结果)

# 追问1：三月份的呢？（假设"日期"列已读成日期格式，见坑点4）
三月 = df[df["日期"].dt.month == 3]
print(三月)

# 追问2：华南区的呢？——改个字符串而已
华南 = df[df["部门"] == "华南"]
print(华南)

# 追问3：不筛了，全表按日期排个倒序看看最近的单子
print(df.sort_values("日期", ascending=False).head(10))

输出（示例数据）：

华东区过万订单共2条：
   姓名   部门   销售额         日期
2  小张  华东  15300  2026-01-07
0  小王  华东  12000  2026-01-05

筛选+排序是”读进程序→看清长相→按需提问”三部曲的第三步。上一篇回答”总量类”问题，这一篇回答”哪几行”类问题。老板再追问，你的动作永远是：改条件、重跑、十秒交货。

五、四个必踩的坑（先打疫苗）

坑1：忘加小括号，条件”串味”。 写成df["部门"] == "华东" & df["销售额"] > 10000必出事——&的优先级比==、>高，Python会先算"华东" & df["销售额"]这种鬼东西，报错TypeError或者结果全错。铁律：每个条件一对小括号，宁多勿少。

坑2：用and/or写条件。 df[(...) and (...)]直接报错ValueError: The truth value of a Series is ambiguous（”一列的真假说不清”）。翻译：and是问”整个东西是真是假”，而一列里有真有假，它答不上来。pandas的规矩：且用&，或用|，非用~（取反，比如df[~(df["部门"] == "华东")]就是”不是华东的所有行”）。

坑3：筛完就改，忘了”筛选返回的是副本”。 华东们 = df[df["部门"] == "华东"]之后对华东们改数据，原表df纹丝不动——筛选是”摘抄”，不是”剪切”。想直接在筛出来的行上改、并且改的就是原表？写法是df.loc[条件, "列名"] = 新值（对，loc上一篇见过，行位置放条件也行）。但新手阶段建议：筛出来的副本随便看随便算，别急着改原表，改坏了没法恢复。

坑4：”日期”列拿来筛月份，报AttributeError。 df["日期"].dt.month报错说没有dt？因为Excel里的日期读进来可能是文本（object类型，坑4上一篇提过）。先转换再筛：

df["日期"] = pd.to_datetime(df["日期"])   # 整列转成真日期
三月 = df[df["日期"].dt.month == 3]      # .dt.month 取月份，.dt.year 取年份

筛”2026年3月”就是df[(df["日期"].dt.year == 2026) & (df["日期"].dt.month == 3)]。pd.to_datetime()是pandas自带的”日期翻译官”，格式怪的（2026/3/5、5-Mar-2026）大多也能认出来。

六、跟AI协作的正确姿势（筛选排序特供）

1. 用”人话条件”指挥，让AI翻译成代码。说”帮我筛出部门是华东、销售额大于10000、日期在2026年3月的行，按销售额降序”——三个条件说全，AI写出的&组合就不会缺胳膊少腿。它最常犯的错就是漏括号和用and，拿到代码先检查这两处
2. 要”中间变量版”，不要”一行流”。AI爱炫技写print(df[(df['部门']=='华东')&(df['销售额']>10000)].sort_values('销售额',ascending=False))——能跑，但你改条件时无从下手。追加一句：”每一步赋值给一个中文变量名，分步写“
3. 筛完先验货。让AI代码末尾带上print(len(结果), 结果.head())——条数对不对、长什么样，一眼验完再拿去见老板。Excel里你筛选完好歹瞄得见，程序里不打印就是”盲盒”

高频句式：”表有这些列（贴df.dtypes的输出），我要筛出’某某条件’的行、按’某列’降序排，只取前N条。请分步写代码，每个条件单独赋变量，并在每步后面用print验货“。

七、今日小练习

练习1：十秒钟销售排行榜

筛出”销售额大于平均值”的所有订单，按销售额降序打印，并标出排名（第1名、第2名……）。（提示：平均值上一篇学过df["销售额"].mean()，直接塞进条件df["销售额"] > df["销售额"].mean()——条件右边可以是算出来的值，不用先存变量。排名不用真排序函数，筛完sort_values后用for i, (_, row) in enumerate(结果.iterrows(), 1)打印；iterrows()是”一行一行吐出来”，enumerate带序号，第8篇的老朋友。）

练习2：三区对抗赛

分别筛出华东、华南、华北三个区的订单，算出每个区的总销售额和订单数，找出总销售额最高的区。（提示：三个区三种筛法，但别复制粘贴三遍——用for 部门 in ["华东", "华南", "华北"]:循环里套df[df["部门"] == 部门]，结果存进一个字典{部门: 总额}，最后max(字典, key=字典.get)找冠军——第8篇字典、第22篇记账本的思路原样复用。）

练习3：智能筛选器

写一个小程序：用户依次输入”列名、比较方式（>/</==）、阈值"，程序筛出符合条件的行并打印条数。（提示：比较方式是字符串，用if/elif决定套哪个条件——但三个比较式不能拼字符串硬凑（那是第10篇警告过的”注入”老坑），乖乖写三份：条件 = df[列名] > 阈值 / df[列名] < 阈值 / df[列名] == 阈值。阈值注意input()拿到的是字符串，比较数字前先看df[列名].dtype是不是数字列，是就float(阈值)转换。列名写错用if 列名 in df.columns兜底，第31篇练习1的招。）

写在后面：从”点鼠标”到”写条件”

盘点今天：布尔筛选是主菜——df[条件]按条件摘行，条件是逐行问出来的True/False列；&且、|或、~非，每个条件加小括号；isin(名单)筛”在名单里”的；sort_values排序，ascending=False降序，多级排序传列表。加上上一篇的读表、取列、统计，”读进程序→看清长相→按需提问”的动线已经完整了。

更值钱的还是思路：Excel的筛选是一次性的手工劳动，换个条件从头点；pandas的筛选是写下来的条件，改一个字重跑就行，还能存进脚本下周再用。能被随手修改、反复重跑的查询，才是真的把数据捏在了手里。

下一篇，数据开始”分组”了：”每个部门各卖了多少””每人平均几单””哪个区人均最高”——这类分组统计问题，groupby一行一个。

下篇预告

第三十三篇：数据分组统计——groupby登场：一行代码算出”各部门总销售额、订单数、平均单值”，groupby+agg组合拳，数据透视表在你手里重生。老板要看”分部门对比”，再也不是二十次手动筛选。