如何用Matplotlib将特征重要性分数按从高到低排序可视化？

针对你遇到的特征重要性未按分数排序的问题，我来一步步帮你搞定：

1. 实现按重要性分数从高到低排序并可视化的方法 #

核心思路是先对特征重要性分数进行降序排序，同时让对应的特征名称同步排序，这样绘图时就能呈现从高到低的顺序。我修改了你的代码，加入了完整的排序逻辑，你可以直接复用：

from pandas import read_excel
from sklearn.ensemble import ExtraTreesClassifier
import matplotlib.pyplot as plt
import numpy as np

# 加载数据
names = ['8,oct18', '3,oct18', '4,oct18', '3,sen17', '3,sen17', '4,sen17', '8,sen17', '3,aug17', '8,aug17','4,aug17', '3,apr17', '4,apr17', '8,apr17', '3,jan17', '8,jan17', '4,jan17', 'jan19', 'jan19', 'jan19', 'may18', 'may18', 'may18', '11, sen17', '11, dec2017', '12,dec2017', '11,aug 2017', '12,aug 2017', '11, apr 2017', '12, apr 2017', '30t', 'class']
dataframe = read_excel("/home/qw/myprojects/valuevo/data.xlsx", names=names)
array = dataframe.values
X = array[:,0:30]
Y = array[:,30]

# 计算特征重要性
model = ExtraTreesClassifier()
model.fit(X, Y)

# 准备特征名称和对应分数（去掉最后一个类别列）
feature_names = np.array(names[:-1])
importances = np.array(model.feature_importances_)

# 关键：按重要性降序排序，同步特征名称顺序
sorted_indices = np.argsort(importances)[::-1]  # 获取降序排序的索引
sorted_importances = importances[sorted_indices]
sorted_features = feature_names[sorted_indices]

# 绘图（换成横向条形图更适配30个特征的展示）
plt.figure(figsize=(10, 8))
plt.title("ExtraTrees Feature Importance (Sorted)")
plt.barh(sorted_features, sorted_importances)
plt.xlabel("Importance Score")
plt.ylabel("Feature Names")
plt.show()

核心步骤说明： #

• np.argsort(importances)[::-1]：argsort会生成数组从小到大排序的索引，加上[::-1]就把索引反转成从大到小的顺序，这是实现降序排序的关键。
• 用排序后的索引重新提取特征名和分数，就能保证两者一一对应且按分数从高到低排列。
• 换成barh横向条形图，能避免30个特征的名称因长度过长挤在一起，提升可读性。

2. 控制排序逻辑的变量/工具 #

排序逻辑是由NumPy来控制的，Matplotlib仅负责绘制已经排好序的数据，本身不处理排序：

• 核心工具是np.argsort()函数，它生成排序后的索引数组，我们通过这个索引来重新排列特征名和重要性分数。
• 你也可以用Python内置的sorted()函数配合zip()实现排序，效果一致：

# 另一种排序方式：用Python内置工具
sorted_pairs = sorted(zip(feature_names, importances), key=lambda x: x[1], reverse=True)
sorted_features, sorted_importances = zip(*sorted_pairs)

内容的提问来源于stack exchange，提问作者Tyomik_mnemonic