用 sorted() 配合预处理的元组 key 是最直接高效的方式，需避免 key 中重复计算、索引越界及类型不一致问题，必要时利用稳定排序分步处理或 numpy 加速。
用 sorted() 配合 key 参数是最直接且高效的方式
Python 内置的 sorted() 在 C 层实现，对嵌套列表排序时，只要避免在 key 函数里做重复计算或副作用操作，性能就足够好。关键不是换库，而是写对 key。
常见错误是用 list.sort() 配合自定义比较函数（比如 cmp_to_key），这会显著变慢；或者在 key 里反复取索引、调用方法——比如 lambda x: (x[0].lower(), len(x[2])) 每次都执行 .lower() 和 len()，对大数据量很伤。
- 优先用元组作为
key返回值，Python 元组比较天然支持多重条件：先比第一项，相等再比第二项，依此类推 - 如果某字段需预处理（如字符串标准化、数值转换），提前算好存成新字段，或用
functools.cached_property（仅适用于对象列表）；对纯列表，可先用生成器预提取key序列 - 避免在
key中访问可能不存在的索引——IndexError会让整个排序失败；加默认值兜底，例如x[1] if len(x) > 1 else ''
当嵌套结构不统一（如部分子列表缺字段）时，key 必须做防御性处理
真实数据常有缺失：比如 [[1, 'a'], [2, 'b', 99], [3]]，按第 2 列升序、第 3 列降序排，直接写 key=lambda x: (x[1], -x[2]) 会崩在 [3] 上。
此时不能靠外围 try/except（排序过程中异常无法局部捕获），必须把逻辑收进 key 内部：
立即学习“Python免费学习笔记（深入）”；
def safe_key(item):
# 第二列默认空字符串，第三列默认 0，负号用于降序
col1 = item[1] if len(item) > 1 else ''
col2 = item[2] if len(item) > 2 else 0
return (col1, -col2)
<p>sorted(data, key=safe_key)
- 用
len(item) > N判断比try/except IndexError更快，尤其对齐整数据 - 若缺失值应排在最前/最后，用
None或极值（如float('-inf')）代替默认值，并确保类型一致（None和字符串不能直接比较） - 别用
item[N:N+1]取切片代替索引——虽安全但多一次对象创建，无谓开销
需要稳定排序且条件复杂时，拆成多次 sorted() 调用反而更清晰可靠
Python 的 sorted() 是稳定排序，这意味着：如果按条件 B 排完，再按条件 A 排，结果等价于按 (A, B) 多重排序——前提是 A 是主序，B 是次序。
例如想「先按第 0 列升序，再按第 2 列降序」，可以：
# 先按次要条件（降序）排 temp = sorted(data, key=lambda x: x[2], reverse=True) # 再按主要条件（升序）排 —— 稳定性保证相同 x[0] 的相对顺序不变 result = sorted(temp, key=lambda x: x[0])
- 这种写法比写一个复合
key更易读、易调试，尤其当某个条件需查表、调 API 或含分支逻辑时 - 性能损失通常可忽略：两次 O(n log n) 不等于 O(2n log n)，实际常数差异小；只有在千万级数据且单次排序已成瓶颈时才需合并
- 注意顺序：必须先排次要条件，再排主要条件；反着来会破坏稳定性语义
用 numpy 加速只在满足特定条件时才值得
如果嵌套列表其实全是同构数值型（如 [[1,2,3], [4,5,6], ...]），且长度固定、元素类型一致，转 numpy.ndarray 后用 np.argsort() 确实更快。但绝大多数“嵌套列表”场景并不符合。
- 一旦子列表长度不一（ragged），
numpy会退化为object数组，排序性能反不如原生sorted() - 混合类型（如字符串+数字）强制转
numpy需统一 dtype，往往得用dtype=object，失去向量化优势 - 如果只是偶尔排序、数据量
真正该上 numpy 的信号只有一个：你已经在用它存数据，且排序是 pipeline 中的高频步骤，同时能保证结构规整。
