多列排序按by列表顺序逐级嵌套：先排首列，相同时再排次列；ascending必须用等长布尔列表指定各列方向，na_position统一控制NaN位置，升序时NaN默认排末尾。
sort_values 里多列排序的写法和顺序怎么定
多列排序不是简单把列名堆一起，by 参数传列表，但顺序决定优先级：靠前的列先排，相同时再按后一列排。比如 df.sort_values(by=['city', 'age']) 先按 city 升序，同城市内再按 age 升序。
常见错误是以为列顺序无关，结果发现排序结果不符合预期——其实是第一列还没分出先后，第二列根本没机会“发力”。
-
by必须是列表，不能是字符串（'col1, col2'会报错） - 每列默认升序，降序需用
ascending参数配合布尔值或列表 - 如果只对某几列降序，
ascending得传布尔列表，长度必须和by一致，比如ascending=[True, False]
ascending=False 只影响一列？那多列不同方向怎么设
单独写 ascending=False 是全局生效，所有排序列都变降序。真要混合方向，必须用布尔列表，位置一一对应 by 中的列。
比如想按 region 升序、sales 降序：df.sort_values(by=['region', 'sales'], ascending=[True, False])。漏掉一个值或长度不匹配，直接抛 ValueError: Length of ascending must match length of by。
立即学习“Python免费学习笔记（深入）”；
- 布尔列表里写
0/1不行，必须是True/False - 用变量存方向时注意类型，
bool(0)是False，但显式写更安全 - Python 3.8+ 支持海象运算符，但这里没必要，可读性反而下降
空值（NaN）在多列排序里到底排哪去
默认情况下，NaN 在升序中排最后，降序中排最前。这个行为对每列独立生效，不是整体“把含 NaN 的行踢到最后”。
比如两列都有 NaN：df.sort_values(['a', 'b'])，先看 a 列，NaN 行被归为一组排末尾；这组内部再按 b 排，此时 b 的 NaN 又在该子组末尾。结果就是“全 NaN 行”不一定扎堆，可能被拆开。
- 统一控制 NaN 位置用
na_position='first'或'last'（默认） -
na_position是全局参数，不能 per-column 设置 - 如果业务要求“含任意 NaN 的行置顶”，得先构造辅助列，比如
df['has_na'] = df[['a','b']].isna().any(axis=1)，再参与排序
性能和链式调用里 sort_values 容易被忽略的点
大表排序很慢，sort_values 默认不修改原 DataFrame，返回新对象。但如果后续还接 .loc 或赋值，容易误以为原数据已排序，实际查的是旧视图。
另一个坑是链式调用：写成 df.sort_values(...).reset_index(drop=True) 没问题，但若中间穿插了 .assign() 或条件筛选，要注意索引是否连续、是否触发 SettingWithCopyWarning。
- 就地排序加
inplace=True，但 Pandas 2.0+ 已弃用，别用 - 排序后重置索引常用，但
reset_index(drop=True)不是必须的，除非下游逻辑依赖连续整数索引 - 真正影响性能的是
kind参数，默认'quicksort'不稳定（相同值相对顺序可能变），要稳定排序改用'mergesort'，但内存多耗 20%–30%
多列排序本身不复杂，难的是理解“逐列嵌套比较”的逻辑，以及 NaN 和空字符串混在一起时，不同列的缺失值行为并不协同。实操中建议先用 head(10) 看排序片段，比盯着参数猜靠谱得多。
