nlargest 在 groupby.apply 中易出错：组行数不足时返回空导致拼接失败，重复值不指定 keep 会结果不稳定；应显式设 keep、用 group_keys=False、确保数值列，或改用 sort_values+head 更可靠。nlargest 在 groupby.apply 里为什么只返回空或报错直接写 df.groupby('col').apply(lambda x: x.nlargest(3)) 很容易出问题：如果某组行数少于 N，nlargest 默认返回空 DataFrame，导致各组结果长度不一致，pandas 自动拼接时会触发 ValueError: cannot concatenate a non-NDFrame object；更隐蔽的是，若没指定 keep 参数且有重复值，排序不稳定，Top N 可能随机波动。实操建议：必须显式传 keep='all' 或 keep='first'，避免因重复值导致结果不可复现用 df.groupby('col', group_keys=False) 包裹，防止 apply 后多出一层索引干扰拼接对每组单独调用前，先确认目标列是数值型——nlargest 对非数值列（如字符串）直接抛 TypeError: 'str' object is not callable替代方案：用 head() + sort_values() 更稳当 nlargest 行为不可控时，手动排序取头更透明。它不依赖内部优化逻辑，兼容所有 pandas 版本，且能清晰控制升/降序、缺失值处理。实操建议：写成 df.groupby('col').apply(lambda x: x.sort_values('score', ascending=False).head(3))加 na_position='last' 避免 NaN 被当成最大值顶到前面如果原始索引要保留，加 reset_index(drop=True) 在 head 后，否则 groupby 会把原索引带进来造成混乱性能差异：nlargest vs sort_values + headnlargest 底层用的是部分排序（类似堆），理论时间复杂度 O(n log k)，k 是 Top N；而 sort_values 是全排序 O(n log n)。但实际中，当 N 很小（比如 ≤ 10）、组内数据量不大（≤ 1000 行）时，两者差异几乎感知不到；反而 sort_values 因 JIT 编译和 C 实现，在小数据上更快。 Mokker AI AI产品图添加背景