tldr：在对数值数组进行数值计算时，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。
问题原因：
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]
这是因为order_array 包含字符串。您需要在适当的地方将这些字符串转换为ints。
将 dtypes 从 string-dtype 转换为 numeric dtype 需要为新数组分配空间。因此，您最好从一开始就修改创建order_array 的方式。
有趣的是，即使您在调用时将值转换为整数
order_array = np.array(rows_list)
NumPy 默认创建一个 homogenous 数组。在同构数组中，每个值都具有相同的 dtype。所以 NumPy 试图在你所有的
值并选择了一个字符串 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order_array.dtype 自行检查数据类型：
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 '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 或 np.sort 不适用于数组
dtype object。要解决这个问题，您可以对rows_list 进行排序
在创建order_list之前：
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 NumPy 数组的速度也没有节省内存空间的收益
本机数据类型。此时，您可能会发现正在使用 Python 列表列表
更快，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 NumPy-ish 解决方案是
使用structured array（与同构数组相反）。做一个
带有np.array 的结构化数组，您需要明确提供数据类型：
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：
您原来的同构数组是二维的。相比之下，所有
结构化数组是一维的：
In [51]: order_array.shape
Out[51]: (8,)
如果您使用 int 索引结构化数组或遍历数组，您
取回行：
In [52]: order_array[3]
Out[52]: (2008, 1, 30, 'GOOG', 'Sell', 100)
使用同构数组，您可以使用order_array[:, i] 访问列
现在，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 Pandas：
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、填补缺失的有用功能
值、分组和聚合/转换行或列。
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、日作为单独的列进行输出，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，您当然可以不理会rows_list，并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'])