idxmax() 返回每组最大值在原始 DataFrame 中的索引标签而非位置序号，需用 .loc[] 而非 .iloc[] 定位；空组会报错，须显式处理；多级索引返回元组；多列排序需结合 nlargest()。
用 idxmax() 找每组最大值的原始索引行号
直接调用 idxmax() 不会返回 0-based 行号，而是返回分组后各组「原始 DataFrame 的索引值」（即 df.index 中的实际标签）。如果你的 DataFrame 索引是默认 RangeIndex（0, 1, 2...），那结果看起来像行号；但一旦索引被重设、切片或带非数字标签，idxmax() 返回的就是标签，不是位置。
常见错误现象：df.groupby('category')['score'].idxmax() 返回 Series，值是类似 7, 15, 3 这样的数——它们不是第 7 行、第 15 行，而是索引为 7、15、3 的那三行。若你后续想用 .iloc[7] 取数据，就错了。
- 使用场景：需从原始 DataFrame 中精确取出每组最大值所在整行（比如取完整记录用于分析或导出）
- 正确做法：先用
idxmax()拿到索引标签，再用.loc[]定位，而不是.iloc[] - 示例：
result = df.loc[df.groupby('category')['score'].idxmax()]这一行就拿到每组最大值对应的所有列
idxmax() 在多级索引和缺失值下的行为
如果某组全为 NaN，idxmax() 默认抛出 ValueError: No objects to concatenate 或 TypeError（取决于 pandas 版本），不会静默跳过。这不是 bug，是设计如此——它拒绝在无定义最大值的情况下返回任意索引。
- 必须显式处理空组：加
dropna=False不起作用；正确方式是先groupby(...).apply(lambda x: x['score'].idxmax() if x['score'].notna().any() else pd.NA) - 多级索引时，
idxmax()返回的是元组索引（如(‘A’, 5)），可直接传给.loc[]，但注意要确保原始 DataFrame 真有该复合索引 - 性能提示：对大分组（>10 万行/组），
idxmax()比sort_values().head(1)快得多，因为它不排序，只扫描一次
替代方案：用 nlargest(1) + idxmax() 获取多列最大值行
如果不仅要最大值所在行，还要同时满足“按 A 列最大，A 相同时按 B 列最大”，idxmax() 单独无法实现——它只支持单列。这时候得组合用 nlargest()。
立即学习“Python免费学习笔记（深入）”；
-
df.groupby('category').apply(lambda x: x.nlargest(1, ['score', 'bonus']))可按多列优先级取每组 top-1 行 - 但注意：
nlargest返回的是子 DataFrame，索引保留原样；而idxmax()返回的是索引标量，更轻量 - 如果只要索引不取整行，可用
df.groupby('category').apply(lambda x: x.nlargest(1, 'score').index[0] if not x.empty else pd.NA) - 兼容性提醒：pandas nlargest 对含 NaN 的列行为不一致，建议升级或提前
dropna(subset=['score'])
为什么不用 sort_values().groupby().head(1)？
这种写法看似直观，但实际容易漏掉关键细节：它依赖排序稳定性，且会改变原始顺序。更重要的是，当存在并列最大值时，head(1) 只返回第一个出现的，而 idxmax() 在遇到并列时也只返回第一个——两者行为一致，但前者开销大得多。
- 排序时间复杂度 O(n log n)，
idxmax()是 O(n)，分组内差异随数据量放大 - 如果原始索引很重要（比如带时间戳或业务 ID），
sort_values后再head会打乱索引顺序，而idxmax()天然保索引 - 一个易忽略点：
sort_values(..., ascending=False).groupby(...).head(1)若未指定kind='stable'，在 pandas 新版本中可能因底层算法切换导致相同数据每次运行返回不同行（尤其并列时）
idxmax() 结果直接塞进 .iloc[] 里。只要记住一点：idxmax() 返回什么，就用 .loc[] 去取，准没错。 
