python必背源代码字典按值排序代码

一、核心解决方案：两行必须熟记的代码

在面对“字典按值排序”的需求时，不需要手动编写冒泡或快速排序算法。以下是直接可用的标准一行式代码模板：

# 原始字典数据示例
scores = {"数学": 88, "英语": 95, "语文": 72, "物理": 88}

# 1. 按值升序排序（从小到大）
sorted_asc = dict(sorted(scores.items(), key=lambda item: item[1]))

# 2. 按值降序排序（从大到小）
sorted_desc = dict(sorted(scores.items(), key=lambda item: item[1], reverse=True))

# 打印验证结果
print("升序结果:", sorted_asc)
# 输出: {'语文': 72, '数学': 88, '物理': 88, '英语': 95}

print("降序结果:", sorted_desc)
# 输出: {'英语': 95, '数学': 88, '物理': 88, '语文': 72}

从输出可以看出，排序不仅改变了键值对的相对前后顺序，而且完整保留了字典的数据类型。自 Python 3.7 起，字典能够按照插入顺序维护内部元素的排列，因此将排序好的元组列表直接传给 dict() 即可稳定保持排好序的输出。

二、深入底层：字典按值排序的数据流动机制

很多初学者容易直接写出 sorted(d)，结果发现输出的仅仅是排好序的字典键列表（['数学', '物理', '英语', '语文']），值不仅没有参与比较，甚至在输出中彻底丢失。

之所以产生这种现象，是因为 Python 在直接对字典迭代时，默认只产出 key。为了按值排序，必须先用 d.items() 导出包含 (键, 值) 的动态视图，将数据送入底层基于 Timsort 算法的 sorted() 引擎，提取元组索引为 1 的数值进行权衡，最终再把排好序的元组序列送入 dict() 构造器中完成重建。

如上图所示，整个流程包含清晰的数据形态演变：

1. 字典映射形态：原始哈希字典以键为索引，无序或保持既有插入顺序。
2. 键值对序列形态：通过 .items() 展平成由元组构成的集合视图。
3. Timsort 排序执行：内置 sorted() 提取元组中位于下标 1 的 Value 进行对比排序，输出新的有序元组列表。
4. 新字典重建形态：dict() 逐一消费有序元组，构建出键值对应且保序的新字典对象。

三、逐步拆解：四步实操与语法结构分析

将一行代码拆解为具体的执行步骤，可以更透彻地理解各个参数所承担的角色：

步骤 1：调用 items() 导出键值元组

scores.items() 返回一个只读的视图对象。当遍历这个对象时，每个元素都是长度为 2 的独立元组：(key, value)。例如 ("数学", 88)。

步骤 2：使用 key 参数与 lambda 绑定排序标尺

sorted() 函数接收可迭代对象，并为其中的每一个元素执行 key 所指定的函数。这里的匿名函数 lambda item: item[1] 接收一个元组 item，返回其第二个分量 item[1]（即实际的值）。比较器在运转时便只拿返回值作为比对依据。

步骤 3：配置 reverse 控制正序与倒序

参数 reverse 默认为 False，表示升序；若设置为 reverse=True，Timsort 算法会从大到小排列元素。Python 的排序算法是稳定的（Stable Sort），在分值相同的情况下，会保持原始字典中出现的先后相对次序。

步骤 4：外层包裹 dict() 还原字典

sorted() 本身永远返回一个标准列表 list。为了在后续业务逻辑中继续享受字典的根据键查询性能（O(1) 复杂度），使用 dict() 重新转换即可。

四、进阶方案：operator.itemgetter 与复合双键排序

掌握基础写法后，根据不同的生产场景，还可以选用更具针对性的进阶写法。

1. 性能更优的工业级写法：operator.itemgetter

在处理数万至数百万级键值对的高性能场景下，lambda item: item[1] 每次循环都需要经过 Python 解释器的函数调用栈，存在一定的开销。标准库 operator 模块提供的 itemgetter 是在 C 语言层面实现的，执行效率通常比 lambda 高出 15% 到 30%：

from operator import itemgetter

scores = {"数学": 88, "英语": 95, "语文": 72, "物理": 88}

# 使用 itemgetter(1) 替代 lambda item: item[1]
sorted_dict = dict(sorted(scores.items(), key=itemgetter(1), reverse=True))
print(sorted_dict)
# 输出: {'英语': 95, '数学': 88, '物理': 88, '语文': 72}

2. 复合双键排序（值相同按键字母升序）

在实际业务中经常遇到并列情况：例如两门学科得分相同（数学 88、物理 88），业务规定分数相同时必须按照学科名称的拼音或字母顺序升序排列。此时可以利用元组逐项比较的天然特性，让 key 函数返回一个二元组：

data = {"bob": 85, "alice": 92, "charlie": 85, "david": 92}

# 要求：分数降序（负号取反）；当分数相同时，姓名按字母升序
sorted_complex = dict(sorted(
    data.items(),
    key=lambda item: (-item[1], item[0])
))

print(sorted_complex)
# 输出: {'alice': 92, 'david': 92, 'bob': 85, 'charlie': 85}

在上述代码中，-item[1] 将数值取反，从而使外层维持默认升序遍历时呈现出数值降序的效果；而第二个元素 item[0] 未取反，依然按默认升序比对字符串，完美达成了多维度的业务排序需求。

3. 极值提取场景：无需全量排序的 Top-K 优化

如果字典中有一万个条目，但实际只需要得分最高的前 3 个，做全量排序（复杂度 O(N log N)）是不必要的性能浪费。此时可以使用 heapq.nlargest，在 O(N log K) 时间内完成：

import heapq

huge_dict = {"user_" + str(i): i for i in range(10000)}

# 仅获取前 3 名最大值
top_3 = dict(heapq.nlargest(3, huge_dict.items(), key=lambda x: x[1]))
print(top_3)
# 输出: {'user_9999': 9999, 'user_9998': 9998, 'user_9997': 9997}

五、常见错误与避坑清单

六、必背源代码总结速查

在日常开发与算法面试中，字典按值排序属于高频考点。将常用的场景代码归纳如下，建议直接记忆并套用：