本文介绍如何在 Pandas 中实现“先按分组聚合指标（如每组最大 Rev）降序排列组顺序，再在组内按 date 升序排列”的复合排序需求，核心方案是结合 np.lexsort 与 groupby().transform()。
本文介绍如何在 pandas 中实现“先按分组聚合指标（如每组最大 rev）降序排列组顺序，再在组内按 date 升序排列”的复合排序需求，核心方案是结合 `np.lexsort` 与 `groupby().transform()`。
在实际数据分析中，常需对 DataFrame 进行跨组优先级排序——即不单纯按某列排序，而是先依据每个分组的聚合特征（例如各州最高营收 Rev）确定组间顺序，再在组内按时间等维度精细排序。Pandas 的 sort_values() 无法直接支持“按 groupby 聚合结果排序”，而 groupby().apply() 易导致索引混乱或逻辑错位（如题中错误示例所示）。
✅ 正确解法：使用 numpy.lexsort 实现多级稳定排序
np.lexsort 接收一个键数组列表，按从后往前的优先级顺序排序（即列表末尾为最高优先级）。我们需构造两个关键排序键：
- 最高优先级（主排序）：各州 Rev 的最大值，且需降序 → 用 -df.groupby('State')['Rev'].transform('max')
- 次优先级（组内排序）：date 列，升序 → 直接传入 df['date']
import pandas as pd
import numpy as np
# 构造示例数据（同原题）
np.random.seed(0)
df = pd.DataFrame({
'date': np.tile(['2024-05-01', '2024-06-01'], 4),
'State': np.repeat(['fl', 'ny', 'mi', 'nc'], 2),
'Rev': [21000, 18200, 51200, 48732, 5676, 6798, 24012, 25005],
'Score': np.random.normal(size=8),
'Value': np.random.randint(10, 50, size=8)
})
# ✅ 核心排序逻辑
out = df.iloc[np.lexsort([
df['date'], # 次优先级：date 升序（最后传入，最高优先级）
-df.groupby('State')['Rev'].transform('max') # 主优先级：各州最大 Rev 降序
])]
print(out)
? 输出结果严格满足要求：
创意扇形排列卡片画廊
下载
基于“创意扇形排列卡片画廊”制作的前端特效源码，包含扇形卡片、旋转展开、层级聚焦、键盘切换，打开 index.html 即可直接查看效果，可替换标题、颜色和图形元素复用。 下载包已经整理好特效舞台、样式变量、动画规则和必要脚本，适合用于学习当前效果的实现方式，也方便替换文字、颜色、图形或图片后直接复用。
- 组间顺序由 State 对应的最大 Rev 决定（NY: 51200 → NC: 25005 → FL: 21000 → MI: 6798）
- 每组内 date 按字符串升序排列（2024-05-01 在前，2024-06-01 在后）
⚠️ 注意事项：
- transform('max') 确保每行获得其所属 State 的最大 Rev，避免 agg 导致维度不匹配；
- 使用 - 实现降序，因 lexsort 默认升序；
- 若存在 Rev.max() 相同的州（如 NY 和 CA 均为 51200），建议加入第三级排序键（如 df['State']）保证结果唯一性：
out = df.iloc[np.lexsort([ df['date'], df['State'], # 中优先级：州名升序破平局 -df.groupby('State')['Rev'].transform('max') ])]
? 扩展提示：该模式适用于任意聚合指标（如 mean, sum, first），也可嵌套多层逻辑（如“按组内最新日期排序，再按总营收降序”），灵活性远超链式 sort_values + groupby.apply。
