tldr：在对数值数组进行数值计算时，NumPy会发光。尽管有可能（参见下文），但NumPy不太适合此操作。您最好使用Pandas。
这些值 将按字符串 排序。您需要将它们排序为ints。
In [7]: sorted(['15', '8'])
Out[7]: ['15', '8']
In [8]: sorted([15, 8])
Out[8]: [8, 15]
发生这种情况是因为order_array包含字符串。您需要将这些字符串转换为ints适当的位置。
将dtype从string-dtype转换为数字dtype需要为新数组分配空间。因此，order_array从一开始就修改创建方式可能会更好。
有趣的是，即使您将值转换为整数，当您调用
order_array = np.array(rows_list)
默认情况下，NumPy创建一个 同质 数组。在齐次数组中，每个值都具有相同的dtype。因此，NumPy尝试在所有值中找到公分母，并选择了字符串dtype，从而阻碍了您将字符串转换为int的工作！
您可以通过检查order_array.dtype以下内容来自己检查dtype ：
In [42]: order_array = np.array(rows_list)
In [43]: order_array.dtype
Out[43]: dtype('|S4')
现在，我们如何解决这个问题？
最简单的方法是使用’object’dtype
In [53]: order_array = np.array(rows_list, dtype='object')
In [54]: order_array
Out[54]:
array([[2008, 1, 23, AAPL, Buy, 100],
[2008, 1, 30, AAPL, Sell, 100],
[2008, 1, 23, GOOG, Buy, 100],
[2008, 1, 30, GOOG, Sell, 100],
[2008, 9, 8, GOOG, Buy, 100],
[2008, 9, 15, GOOG, Sell, 100],
[2008, 5, 1, XOM, Buy, 100],
[2008, 5, 8, XOM, Sell, 100]], dtype=object)
这里的问题是，np.lexsort还是np.sort不要在D型的阵列工作object。为了解决这个问题，您可以rows_list 在创建之前对进行排序order_list：
In [59]: import operator
In [60]: rows_list.sort(key=operator.itemgetter(0,1,2))
Out[60]:
[(2008, 1, 23, 'AAPL', 'Buy', 100),
(2008, 1, 23, 'GOOG', 'Buy', 100),
(2008, 1, 30, 'AAPL', 'Sell', 100),
(2008, 1, 30, 'GOOG', 'Sell', 100),
(2008, 5, 1, 'XOM', 'Buy', 100),
(2008, 5, 8, 'XOM', 'Sell', 100),
(2008, 9, 8, 'GOOG', 'Buy', 100),
(2008, 9, 15, 'GOOG', 'Sell', 100)]
order_array = np.array(rows_list, dtype='object')
更好的选择是将前三列合并为datetime.date对象：
import operator
import datetime as DT
for i in ...:
seq = [DT.date(int(x.year), int(x.month), int(x.day)) ,s_sym, 'Buy', 100]
rows_list.append(seq)
rows_list.sort(key=operator.itemgetter(0,1,2))
order_array = np.array(rows_list, dtype='object')
In [72]: order_array
Out[72]:
array([[2008-01-23, AAPL, Buy, 100],
[2008-01-30, AAPL, Sell, 100],
[2008-01-23, GOOG, Buy, 100],
[2008-01-30, GOOG, Sell, 100],
[2008-09-08, GOOG, Buy, 100],
[2008-09-15, GOOG, Sell, 100],
[2008-05-01, XOM, Buy, 100],
[2008-05-08, XOM, Sell, 100]], dtype=object)
即使这很简单，我也不喜欢dtype对象的NumPy数组。使用本地dtypes不会获得NumPy阵列的速度或节省内存空间的收益。在这一点上，您可能会发现使用python列表列表更快，语法上更容易处理。
仍然具有速度和内存优势的NumPy- ish解决方案是使用结构化数组（而不是同类数组）。要使用结构化数组，np.array您需要显式提供dtype：
dt = [('year', '<i4'), ('month', '<i4'), ('day', '<i4'), ('symbol', '|S8'),
('action', '|S4'), ('value', '<i4')]
order_array = np.array(rows_list, dtype=dt)
In [47]: order_array.dtype
Out[47]: dtype([('year', '<i4'), ('month', '<i4'), ('day', '<i4'), ('symbol', '|S8'), ('action', '|S4'), ('value', '<i4')])
要对结构化数组进行排序，可以使用以下sort方法：
order_array.sort(order=['year', 'month', 'day'])
要使用结构化数组，您需要了解同构数组和结构化数组之间的一些区别：
您最初的同质阵列是二维的。相反，所有结构化数组都是一维的：
In [51]: order_array.shape
Out[51]: (8,)
如果使用int索引结构化数组或遍历该数组，则会返回以下行：
In [52]: order_array[3]
Out[52]: (2008, 1, 30, 'GOOG', 'Sell', 100)
对于同构数组，您可以使用order_array[:, i] Now来访问列，对于结构化数组，可以按名称访问它们：例如order_array['year']。
如果您可以安装Pandas，那么我认为使用Pandas DataFrame可能是最快乐的事情：
In [73]: df = pd.DataFrame(rows_list, columns=['date', 'symbol', 'action', 'value'])
In [75]: df.sort(['date'])
Out[75]:
date symbol action value
0 2008-01-23 AAPL Buy 100
2 2008-01-23 GOOG Buy 100
1 2008-01-30 AAPL Sell 100
3 2008-01-30 GOOG Sell 100
6 2008-05-01 XOM Buy 100
7 2008-05-08 XOM Sell 100
4 2008-09-08 GOOG Buy 100
5 2008-09-15 GOOG Sell 100
熊猫具有有用的功能，可以按日期对齐时间序列，填充缺失值，分组和汇总/转换行或列。
通常，使用一个日期列而不是用于年，月，日的三个整数值的列更为有用。
如果您需要年，月，日作为单独的列以便输出，例如csv，则可以将日期列替换为年，月，日列，如下所示：
In [33]: df = df.join(df['date'].apply(lambda x: pd.Series([x.year, x.month, x.day], index=['year', 'month', 'day'])))
In [34]: del df['date']
In [35]: df
Out[35]:
symbol action value year month day
0 AAPL Buy 100 2008 1 23
1 GOOG Buy 100 2008 1 23
2 AAPL Sell 100 2008 1 30
3 GOOG Sell 100 2008 1 30
4 XOM Buy 100 2008 5 1
5 XOM Sell 100 2008 5 8
6 GOOG Buy 100 2008 9 8
7 GOOG Sell 100 2008 9 15
或者，如果您没有用“ date”列作为开始，那么您当然可以rows_list不理会，并从开始就用年，月，日列来构建DataFrame。排序仍然很容易：
df.sort(['year', 'month', 'day'])
602392714
清零编程群