Python Pandas中GroupBy聚合后按指定列排序的实现方法

其实这个需求和SQL里GROUP BY后接ORDER BY的逻辑完全对应——先完成分组聚合得到统计结果，再对结果集按指定列排序就行，我给你一步步拆解清楚：

步骤1：先完成GroupBy聚合 #

假设你的原始DataFrame是df，需要按公司/机构名称分组，统计数量得到Company or Agency count.列。用agg()方法可以明确指定统计规则，尤其是你的列名带空格和点，用这种写法更稳妥：

# 分组并聚合生成统计列
aggregated_result = df.groupby("Company or Agency Name").agg(
    **{"Company or Agency count.": ("Target_Column", "count")}
)

把这里的Target_Column替换成你实际要统计行数的列（比如ID列，确保该列无空值），**语法是用来生成带特殊字符的列名的小技巧。

步骤2：对聚合结果排序 #

直接用sort_values()方法按目标列排序，和SQL的ORDER BY完全等效：

# 按count列降序排序（对应SQL的ORDER BY ... DESC）
sorted_result = aggregated_result.sort_values(
    by="Company or Agency count.", 
    ascending=False
)

如果需要升序排列，把ascending改成True即可（默认就是升序，可省略该参数）。

更简洁的链式写法 #

你也可以把聚合和排序合并成一行代码，写起来更高效：

sorted_result = df.groupby("Company or Agency Name").agg(
    **{"Company or Agency count.": ("Target_Column", "count")}
).sort_values(by="Company or Agency count.", ascending=False)

额外提示 #

如果你已经拿到了聚合后的DataFrame（比如从其他查询结果得到的），直接跳过聚合步骤，对现成的结果调用sort_values()就好：

# 假设你已有带count列的aggregated_df
sorted_df = aggregated_df.sort_values(by="Company or Agency count.", ascending=False)

内容的提问来源于stack exchange，提问作者Rhubarb