tldr：在数值数组上进行数值计算时，NumPy 大放异彩。尽管有可能（见下文）NumPy 不太适合这种情况。使用 Pandas 可能会更好。
问题的原因：
这些值被排序为字符串。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 numeric dtype 需要为新数组分配空间。因此，您最好order_array从一开始就修改您的创建方式。
有趣的是，即使您将值转换为整数，当您调用
order_array = np.array(rows_list)
NumPy 默认创建一个同构数组。在同构数组中，每个值都具有相同的 dtype。因此，NumPy 试图在所有值中找到共同点并选择字符串 dtype，从而阻碍了您将字符串转换为整数的努力！
您可以通过检查自己检查 dtype order_array.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？
使用对象 dtype：
最简单的方法是使用“对象”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或np.sort不适用于 dtype 的数组object。为了解决这个问题，您可以rows_list
在创建之前对以下内容进行排序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到 datetime.date 对象中：
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)
尽管这很简单，但我不喜欢 dtype 对象的 NumPy 数组。您既没有获得具有本机 dtype 的 NumPy 数组的速度，也没有节省内存空间。此时，您可能会发现使用 Python 列表更快且在语法上更容易处理。
使用结构化数组：
仍然提供速度和内存优势的更类似于 NumPy 的解决方案是使用结构化数组（而不是同构数组）。要使用结构化数组，np.array您需要明确提供 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，您可以使用以下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：
你原来的同质数组是二维的。相反，所有结构化数组都是一维的：
In [51]: order_array.shape
Out[51]: (8,)
如果您使用 int 对结构化数组进行索引或遍历数组，则会返回行：
In [52]: order_array[3]
Out[52]: (2008, 1, 30, 'GOOG', 'Sell', 100)
使用同构数组，您可以使用 Now 访问列order_array[:, i]
，使用结构化数组，您可以按名称访问它们：例如order_array['year'].
或者，使用熊猫：
如果你可以安装Pandas，我想你可能会最开心地使用 Pandas DataFrame：
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
Pandas 具有按日期对齐时间序列、填充缺失值、分组和聚合/转换行或列的有用功能。
通常，使用单个日期列而不是年、月、日的三个整数值列更有用。
如果您需要将年、月、日作为单独的列来输出，例如 csv，那么您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，如果您一开始就没有使用“日期”列，您当然可以不用rows_list管它，从头开始构建带有年、月、日列的 DataFrame。排序仍然很容易：
df.sort(['year', 'month', 'day'])