使用index_natsorted与mergesort对Pandas DataFrame按两列排序失败求助

问题核心 #

需要同时实现：

• 按col[0]自然排序（规避字典序排序错误）
• 按col[2]的自定义顺序['gene','mRNA','five_prime_UTR','CDS','three_prime_UTR']排序
  但先执行reindex再调用sort_values会丢失col[0]的自然排序，原因是sort_values会全局重排，完全覆盖之前的索引顺序。

可行方案 #

方案1：添加自然排序辅助列，联合排序 #

通过辅助列记录col[0]的自然排序位置，再和col[2]共同作为排序依据：

from natsort import index_natsorted
from pandas.api.types import CategoricalDtype

# 1. 将col[2]设置为自定义有序分类
cat_dtype = CategoricalDtype(
    categories=['gene', 'mRNA', 'five_prime_UTR', 'CDS', 'three_prime_UTR'],
    ordered=True
)
df[2] = df[2].astype(cat_dtype)

# 2. 生成col[0]的自然排序辅助列
df['col0_rank'] = index_natsorted(df[0])

# 3. 按辅助列+col[2]排序，最后删除辅助列
df_sorted = df.sort_values(by=['col0_rank', 2], ascending=[True, True])
df_sorted = df_sorted.drop('col0_rank', axis=1)

方案2：利用sort_values的key参数（Pandas 1.1.0+） #

直接通过key参数为col[0]指定自然排序逻辑，无需额外辅助列：

from natsort import natsort_keygen
from pandas.api.types import CategoricalDtype

# 1. 将col[2]设置为自定义有序分类
cat_dtype = CategoricalDtype(
    categories=['gene', 'mRNA', 'five_prime_UTR', 'CDS', 'three_prime_UTR'],
    ordered=True
)
df[2] = df[2].astype(cat_dtype)

# 2. 双列排序：col[0]用自然排序，col[2]用自定义分类顺序
df_sorted = df.sort_values(
    by=[0, 2],
    key=lambda col: natsort_keygen()(col) if col.name == 0 else col,
    ascending=[True, True]
)

方案3：稳定排序的嵌套应用 #

借助mergesort的稳定性（相同值保留原有顺序），先按次要关键字排序，再按主要关键字排序：

from natsort import index_natsorted
from pandas.api.types import CategoricalDtype

# 1. 将col[2]设置为自定义有序分类
cat_dtype = CategoricalDtype(
    categories=['gene', 'mRNA', 'five_prime_UTR', 'CDS', 'three_prime_UTR'],
    ordered=True
)
df[2] = df[2].astype(cat_dtype)

# 2. 先按col[2]稳定排序，再按col[0]自然排序重索引
df_sorted = df.sort_values(by=2, kind='mergesort')
df_sorted = df_sorted.reindex(index_natsorted(df_sorted[0]))

逻辑说明：先让col[2]按自定义顺序排好，再通过自然排序重索引col[0]，此时同一col[0]分组内的行会保留之前col[2]的排序结果。

内容的提问来源于stack exchange，提问作者Fcallejas