groupby().head(N)仅取组内原始顺序前N行，非排序后Top N；误用因混淆“行序”与“数值大小”；正确需先sort_values()再head()，或用nlargest()（单列）或rank()（多列/复杂逻辑）。
直接用 groupby().head(N) 最简单，但要注意它保留的是原始顺序前N条，不是按某列排序后的前N条——真要按排名留记录，得先 sort_values() 再 head()，或用 nlargest()。
为什么 groupby().head(N) 常被误用？
很多人以为 head() 会自动按数值大小取“最大”的前N条，其实它只认行序：组内哪几行在原始 DataFrame 里排最前，就取哪几行。如果数据没预先排序，结果完全不可控。
- 错误示例：
df.groupby('category').head(3)—— 若同一 category 的记录在原始数据中分散、无序，返回的三条可能毫无业务意义 - 正确前提：必须先按目标列（如
score、date）降序/升序排列，再分组取头 - 等价但更明确的写法：
df.sort_values('score', ascending=False).groupby('category').head(3)
nlargest() 更安全，但只适用于单列排序场景
当你要按**一个数值列**取每组 Top N，nlargest() 是专为此设计的，内部自动处理排序+截断，语义清晰且不易出错。
- 写法：
df.groupby('category')['score'].nlargest(3)—— 返回Series，索引含原行号，可接reset_index()恢复成 DataFrame - 若需保留其他列，加
keep='all'（Pandas ≥ 1.4）：df.groupby('category').apply(lambda x: x.nlargest(3, 'score', keep='all')) - 注意：
nlargest()不支持多列联合排序（比如“先按 score 降序，score 相同时按 date 升序”），这种得回退到sort_values + head
多列排序 + 组内排名去重：用 rank() 配合布尔索引
当需要复杂排序逻辑（如多列、自定义 tie-breaking）、或想显式控制“并列怎么算名次”，就得引入 rank() 方法生成组内排名，再过滤。
立即学习“Python免费学习笔记（深入）”；
- 步骤：先
sort_values(['score', 'date'], ascending=[False, True])，再groupby('category')['score'].rank(method='min', ascending=False) - 生成排名后，用
df['rank'] 筛选即可，<code>method='min'保证并列时共享同一最小名次（如两个第1名，则下一个为第3名） - 性能提示：对超大表，
rank()比nlargest()或sort + head开销略高，因需计算完整排名；若只要 Top N，优先选前两者
真正容易被忽略的是排序稳定性：sort_values 默认 kind='quicksort' 不稳定，相同 key 的行相对顺序可能变；若依赖原始顺序作为第二排序依据，务必加 kind='mergesort' 或用 stable=True（Pandas ≥ 1.1）。
