Python实现价格区间筛选与动态排序：从基础到进阶指南

在电商系统、金融分析或数据可视化场景中，价格区间筛选与排序是高频需求。本文将通过Python实现两种核心功能：设置价格区间（如筛选100-500元商品）和价格排序（升序/降序），并探讨不同场景下的优化方案。

一、基础实现：列表与字典操作

1.1 价格区间筛选

假设有一组商品数据（字典列表），每个商品包含名称和价格：

products = [
    {"name": "手机", "price": 2999},
    {"name": "耳机", "price": 399},
    {"name": "充电器", "price": 99},
    {"name": "笔记本", "price": 1999}
]

使用列表推导式筛选价格区间：

min_price = 100
max_price = 1000
filtered = [p for p in products if min_price <= p["price"] <= max_price]
# 输出: [{'name': '耳机', 'price': 399}, {'name': '笔记本', 'price': 1999}]（需修正max_price逻辑）

修正后的代码：

filtered = [p for p in products if min_price <= p["price"] <= max_price]
# 实际输出: [{'name': '耳机', 'price': 399}]（1999超出上限）

1.2 价格排序

使用内置sorted函数按价格排序：

# 升序排序
sorted_asc = sorted(products, key=lambda x: x["price"])
# 降序排序
sorted_desc = sorted(products, key=lambda x: x["price"], reverse=True)

二、进阶方案：Pandas库的高效处理

对于大规模数据（如10万条商品），Pandas的向量化操作效率更高。

2.1 数据准备

import pandas as pd
data = {
    "name": ["手机", "耳机", "充电器", "笔记本"],
    "price": [2999, 399, 99, 1999]
}
df = pd.DataFrame(data)

2.2 区间筛选

# 方法1：布尔索引
filtered_df = df[(df["price"] >= 100) & (df["price"] <= 1000)]
# 方法2：query函数（更简洁）
filtered_df = df.query("100 <= price <= 1000")

2.3 价格排序

# 升序
df_sorted_asc = df.sort_values("price")
# 降序
df_sorted_desc = df.sort_values("price", ascending=False)

三、性能优化：NumPy加速

当数据量超过百万级时，NumPy的数组操作可显著提升速度。

3.1 转换数据为NumPy数组

import numpy as np
names = np.array(["手机", "耳机", "充电器", "笔记本"])
prices = np.array([2999, 399, 99, 1999])

3.2 区间筛选

mask = (prices >= 100) & (prices <= 1000)
filtered_names = names[mask]
filtered_prices = prices[mask]
# 输出: ['耳机'] [399]

3.3 排序实现

# 获取排序索引
sorted_indices = np.argsort(prices)
# 按升序获取名称和价格
sorted_names = names[sorted_indices]
sorted_prices = prices[sorted_indices]

四、实际应用场景扩展

4.1 动态输入区间

通过用户输入实现交互式筛选：

min_input = float(input("输入最低价: "))
max_input = float(input("输入最高价: "))
filtered = [p for p in products if min_input <= p["price"] <= max_input]

4.2 多条件筛选

结合价格区间和其他条件（如评分）：

def multi_filter(products, min_p, max_p, min_rating=0):
    return [
        p for p in products 
        if min_p <= p["price"] <= max_p and p["rating"] >= min_rating
    ]

4.3 可视化展示

使用Matplotlib绘制价格分布直方图：

import matplotlib.pyplot as plt
plt.hist(prices, bins=5, edgecolor="black")
plt.xlabel("价格区间")
plt.ylabel("商品数量")
plt.title("商品价格分布")
plt.show()

五、常见问题与解决方案

5.1 数据类型错误

问题：价格字段为字符串导致比较失败。
解决：

# 转换字符串价格为浮点数
products = [{"name": p["name"], "price": float(p["price"])} for p in products]

5.2 边界值处理

问题：区间是否包含端点？
解决：明确使用<=或<，例如：

# 包含100但不包含1000
filtered = [p for p in products if 100 <= p["price"] < 1000]

5.3 大数据量内存不足

方案：

• 使用Dask库处理超大规模数据
• 分批读取数据（如从CSV分块读取）

六、完整代码示例

# 综合示例：区间筛选+排序+可视化
import pandas as pd
import matplotlib.pyplot as plt
# 生成模拟数据
data = {
    "name": [f"商品{i}" for i in range(1, 101)],
    "price": [round(100 * (1 + i/100), 2) for i in range(100)]
}
df = pd.DataFrame(data)
# 筛选50-150元商品
filtered = df.query("50 <= price <= 150")
# 降序排序
sorted_df = filtered.sort_values("price", ascending=False)
# 输出前5条
print(sorted_df.head())
# 绘制筛选后价格分布
plt.figure(figsize=(10, 5))
plt.hist(sorted_df["price"], bins=10, color="skyblue", edgecolor="black")
plt.title("50-150元商品价格分布")
plt.xlabel("价格")
plt.ylabel("数量")
plt.show()

七、总结与建议

1. 小数据量（<1万条）：优先使用列表推导式，代码简洁易读。
2. 中等数据量（1万-100万条）：Pandas的query和sort_values效率最高。
3. 大数据量（>100万条）：NumPy数组操作或Dask分布式计算。
4. 可视化需求：结合Matplotlib/Seaborn直观展示筛选结果。

通过灵活组合上述方法，可高效实现电商平台的商品筛选、金融数据的价格分析等场景需求。实际开发中，建议将筛选逻辑封装为函数，便于复用和测试。