Polars多分类列自定义排序疑问：直接排序与转物理值排序结果不一致？

这不是Bug，是对Polars分类列的排序逻辑和参数配置理解不到位导致的。

问题根源 #

Polars的Categorical类型默认按字符串字典序排序，而非你期望的自定义物理存储顺序。你当前的代码只是把目标字符串加入了全局StringCache，但既没给col1、col2指定自定义类别顺序，也没修改分类列的排序规则：

• 直接调用.sort(["col1", "col2"])时，col2会按字符串字典序（c < h）排列，导致h的行排在c之后，不符合预期。
• 而.to_physical()会让排序依据分类值的物理索引（也就是你通过pl.Series(["B", "A", "h", "c"]).cast(pl.Categorical)设置的顺序：B=0, A=1, h=2, c=3），因此能得到正确结果。

两种正确解决方法 #

方法1：转换分类列时指定ordering='physical'

让分类列默认按物理值排序，无需每次排序都调用to_physical()：

df = pl.DataFrame({
    "nums": [1, 2, 3, 4],
    "col1": ["A", "B", "B", "A"],
    "col2": ["c", "h", "c", "c"],
})

with pl.StringCache():
    # 注册自定义顺序的类别到缓存
    pl.Series(["B", "A", "h", "c"]).cast(pl.Categorical)
    
    df = df.with_columns(
        pl.col(pl.Utf8).cast(pl.Categorical(ordering="physical"))
    ).sort(["col1", "col2"])
    
    print(df)

方法2：给每个分类列显式指定categories

直接定义每个列的类别顺序，更清晰直观：

df = pl.DataFrame({
    "nums": [1, 2, 3, 4],
    "col1": ["A", "B", "B", "A"],
    "col2": ["c", "h", "c", "c"],
})

df = df.with_columns(
    pl.col("col1").cast(pl.Categorical(categories=["B", "A"], ordering="physical")),
    pl.col("col2").cast(pl.Categorical(categories=["h", "c"], ordering="physical"))
).sort(["col1", "col2"])

print(df)

两种方法都能输出你想要的正确结果：

┌──────┬──────┬──────┐
│ nums ┆ col1 ┆ col2 │
│ ---  ┆ ---  ┆ ---  │
│ i64  ┆ cat  ┆ cat  │
╞══════╪══════╪══════╡
│ 2    ┆ B    ┆ h    │
│ 3    ┆ B    ┆ c    │
│ 1    ┆ A    ┆ c    │
│ 4    ┆ A    ┆ c    │
└──────┴──────┴──────┘

内容的提问来源于stack exchange，提问作者glebcom