基础排序#

1
top = df.sort_values(
2
    by=["score", "created_at"],
3
    ascending=[False, True],
4
)
5
print(top.head(10))

多字段排序时，要明确每个字段的升降序。比如分数越高越靠前，时间越早越靠前。

排名方法#

1
df["rank_min"] = df["score"].rank(method="min", ascending=False)
2
df["rank_dense"] = df["score"].rank(method="dense", ascending=False)
3
df["rank_first"] = df["score"].rank(method="first", ascending=False)

min 会让并列项占用名次，dense 不跳号，first 按出现顺序打破并列。榜单规则不同，选择也不同。

分组内排名#

1
df["rank_in_class"] = (
2
    df.groupby("class")["score"]
3
      .rank(method="dense", ascending=False)
4
)
5
top3 = df[df["rank_in_class"] <= 3]

容易出错的点#

• 数值列被读成字符串，100 可能排在 20 前后不符合预期。

• 没有说明并列分数怎么处理。

• 排序后忘记重置索引，展示时看起来顺序混乱。

• Top N 是全局 Top N，还是每组 Top N，没有定义清楚。

实战复盘#

复用《pandas 排序和排名》时，不要只复制代码块。先把自己的字段名、数据口径和异常规则写出来，再替换示例里的列名。pandas 的函数很通用，但业务字段的含义不能自动迁移。

每次处理完成后，我会抽样看几条原始记录和处理后记录。尤其是日期、金额、分类字段，机器统计和肉眼抽查要一起做，才能发现格式看似正常但含义错位的问题。

这类文章后续可以继续补充真实小表格作为输入示例。输入、处理、输出三者都出现，教程才不会变成只解释 API。

最小验收样例#

验收《pandas 排序和排名》时，我会手写一个三到五行的小 DataFrame：一行正常数据，一行缺失或异常数据，一行边界数据。先让示例在小表上跑通，再换成完整数据集。

小表的好处是结果可以人工计算。只要人工结果和 pandas 输出对不上，就说明代码逻辑或字段口径还没想清楚。这个过程比直接在大表上调试更可靠。

小结#

排序和排名要先写清规则，再写代码。特别是并列名次和分组排名，不能靠默认参数碰运气。