假设有一个这种类型的数据框（可能有更多列）：
d = {'ATTRIBUTE_NAME':
['Raw_Read_Error_Rate',
'Reallocate_NAND_Blk_Cnt',
'Power_On_Hours',
'Power_Cycle_Count',
'Program_Fail_Count',
'Erase_Fail_Count',
'Ave_Block-Erase_Count',
'Unexpect_Power_Loss_Ct',
'Unused_Reserve_NAND_Blk',
'SATA_Interfac_Downshift',
'Error_Correction_Count',
'Reported_Uncorrect',
'Temperature_Celsius',
'Reallocated_Event_Count',
'Current_Pending_Sector',
'Offline_Uncorrectable',
'UDMA_CRC_Error_Count',
'Percent_Lifetime_Remain',
'Write_Error_Rate',
'Success_RAIN_Recov_Cnt',
'Total_Host_Sector_Write',
'Host_Program_Page_Count',
'FTL_Program_Page_Count']}
df = pd.DataFrame(d)
必须通过以下键按“ATTRIBUTE_NAME”列排序：首先以“Count”结尾的行，然后按行长排序，然后按字典顺序。
如果您需要通过类似的键对简单列表进行排序，那么这很简单，只需使用 'key' 参数即可：
sorted(l, key=lambda x: (-x.endswith('Count'), len(x), x))
但在数据框的情况下，并非一切都那么明显。'sort_values()' 方法也有一个 'key' 参数，但它接受一个 'Series' 对象并返回相同的对象。
不会出现简单的排序问题。例如，这些键分别工作：
df.sort_values('ATTRIBUTE_NAME', key=lambda x: -x.str.endswith('Count'))
df.sort_values('ATTRIBUTE_NAME', key=lambda x: x.str.len())
但现在不可能组合这些键。我想出了一种笨拙的方式来接受和返回“系列”对象的键：
def multi_sort(s):
l = sorted(s.items(), key=lambda x: (-x[1].endswith('Count'), len(x[1]), x[1]))
return pd.Series(dict(l))
df.sort_values('ATTRIBUTE_NAME', key=multi_sort)
但是这种排序给了我一个我不清楚的结果：
'''
ATTRIBUTE_NAME
4 Program_Fail_Count
15 Offline_Uncorrectable
0 Raw_Read_Error_Rate
5 Erase_Fail_Count
6 Ave_Block-Erase_Count
7 Unexpect_Power_Loss_Ct
14 Current_Pending_Sector
18 Write_Error_Rate
1 Reallocate_NAND_Blk_Cnt
9 SATA_Interfac_Downshift
2 Power_On_Hours
12 Temperature_Celsius
19 Success_RAIN_Recov_Cnt
8 Unused_Reserve_NAND_Blk
11 Reported_Uncorrect
20 Total_Host_Sector_Write
16 UDMA_CRC_Error_Count
13 Reallocated_Event_Count
21 Host_Program_Page_Count
3 Power_Cycle_Count
17 Percent_Lifetime_Remain
22 FTL_Program_Page_Count
10 Error_Correction_Count
帮我弄清楚并告诉我是否有一种方法可以按几个键排序，因为它是在“sorted()”函数中实现的？
UPD。
感谢@strawdog 的帮助，我设法了解了在按多个键对列进行排序时如何使用key该方法sort_values()，这要感谢他：
df = df.sort_values(by="ATTRIBUTE_NAME",
key=lambda s: s.map(lambda x: (-x.endswith("Count"), len(x), x)))
假设我们有一个这样的 DataFrame：
samp = pd.DataFrame({'region': ['North','North','South','South','East','East','West','West'],
'store': list('ABCDEFGH'),
'num': 100,
'year':['2020','2020','2021','2021','2021','2021','2020','2021']})
region store num year
0 North A 100 2020
1 North B 100 2020
2 South C 100 2021
3 South D 100 2021
4 East E 100 2021
5 East F 100 2021
6 West G 100 2020
7 West H 100 2021
需要按行对地区数据进行分组，按列对年份进行分组。
我通过 pivot_table or 来执行此操作groupby，这给出了相同的结果。或多或少是这样的：
pd.pivot_table(samp, index='region', columns='year',values=['store','num'],
aggfunc={'store': 'count','num':'sum'})
samp.groupby(['region','year']).agg(
total_num=("num","sum"),
stores=("store", "count")).unstack()
我们以以下形式在输出中获得必要的数据：
total_num stores
year 2020 2021 2020 2021
region
East NaN 200.0 NaN 2.0
North 200.0 NaN 2.0 NaN
South NaN 200.0 NaN 2.0
West 100.0 100.0 1.0 1.0
是否可以以某种方式更改分组顺序（层次结构？）以获取这种形式的数据（即按年份对列进行分组）：
2020 2021
values total_num stores total_num stores
region
East NaN NaN 200.0 2.0
North 200.0 2.0 NaN NaN
South NaN NaN 200.0 2.0
West 100.0 1.0 100.0 1.0
在 Excel 数据透视表中，只需轻轻移动鼠标即可完成此操作，但在这里我找不到以这种形式显示数据的方法。swaplevel基本上不会改变任何东西。
这可以以某种方式完成吗？
我有一个这样的数据框：
需要按分支对数据进行分组，并获取每个分支的总和列的总量。但是除了求和之外，还需要得到每个分支的估计平均值，这就是问题所在。
平均值应计算如下：对于每个组（分支），计算“金额”值与“期限”值的乘积之和，然后除以该组“金额”列中的总和。
通过反复试验，我设法制作了以下工作代码：
import pandas as pd
df = pd.read_csv('df_samp.csv') # ссылка на файл с фрагментом данных внизу
togroup = df[['филиал', 'сумма', 'срок']][df['срок']>90] # группируем только строки где "срок" > 90
togroup['средн'] = np.NaN # добавил столбец для средних значений
grouped = togroup.groupby('филиал').agg(lambda x: int(sum(x.сумма*x.срок)/sum(x.сумма)))[['сумма', 'средн']]
在输出中，我得到以下信息：
问题本身：
UPD： csv格式的数据片段