您可以先按余额排序，为订单创建一个额外的列，并使用它来重新排序 Dataframe ：

df.sort_values('Balance', ascending=False, inplace=True)

df['Order'] = sum((list(range(i, len(df), 3)) for i in range(3)), [])

df.sort_values('Order', inplace=True)

del df['Order']

结果：

Name  Balance
0      Max     0.12
4   Walter     0.12
5    Karin     0.03
2     John     0.12
7      Ben     0.06
6    Julia     0.03
3     Kate     0.12
1   Stefan     0.03
8  Spencer     0.03

你的问题中有太多的细微差别，无法正确回答，但这可能会给予你类似的东西：

max_mask = df.Balance.eq(df.Balance.max())
min_mask = df.Balance.eq(df.Balance.min())
max_vals = df[max_mask]
min_vals = df[min_mask]
other = df[~max_mask & ~min_mask].sort_values(by='Balance', ascending=False)

output = pd.concat([
    out.reset_index(drop=True) for out in (max_vals, other, min_vals)
]).sort_index()

print(output)

输出：

Name  Balance
0      Max     0.12
0      Ben     0.06
0   Stefan     0.03
1     John     0.12
1    Karin     0.03
2     Kate     0.12
2    Julia     0.03
3   Walter     0.12
3  Spencer     0.03

该算法考虑第一个3行组（[0，1，2]）然后对内部数据进行排序，因此第二个3行组（[3，4，5]）并对数据进行排序，等等。
升序设置为False。
可以使用N参数进行泛化。

建议稿

import pandas as pd
import numpy as np

df = pd.DataFrame({
    'Name': ['Max', 'Stefan', 'John', 'Kate', 'Walter', 'Karin', 'Julia', 'Ben', 'Spencer'],
    'Balance': [0.12, 0.03, 0.12, 0.12, 0.12, 0.03, 0.03, 0.06, 0.03]})

N=3
r = (df.groupby(np.arange(len(df.index))//N, axis=0)
       .apply(lambda g: g.sort_values(by='Balance', ascending=False))
       .reset_index(drop=True)
       )

print(r)

结果

Name  Balance
0      Max     0.12
1     John     0.12
2   Stefan     0.03
3     Kate     0.12
4   Walter     0.12
5    Karin     0.03
6      Ben     0.06
7    Julia     0.03
8  Spencer     0.03

试试这个：

df = pd.DataFrame({
    'Name': ['Max', 'Stefan', 'John', 'Kate', 'Walter', 'Karin', 'Julia', 'Ben', 'Spencer'],
    'Balance': [0.12, 0.03, 0.12, 0.12, 0.12, 0.03, 0.03, 0.06, 0.03]})

groups = []
while not df.empty:
    max_idx, min_idx = df['Balance'].idxmax(), df['Balance'].idxmin()
    if (between_min_max := df['Balance'].between(
        *df['Balance'].loc[min_idx, max_idx], inclusive='neither')).any():

        mid_idx = between_min_max.idxmax()

    else:
        mid_idx = df['Balance'].drop(index=[max_idx, min_idx]).idxmax()
    
    group = df.loc[[max_idx, mid_idx, min_idx]]    
    data.append(group)    
    df.drop(index=group.index, inplace=True)

result = pd.concat(groups)
print(result)
>>>
      Name  Balance
0      Max     0.12
7      Ben     0.06
1   Stefan     0.03
2     John     0.12
3     Kate     0.12
5    Karin     0.03
4   Walter     0.12
8  Spencer     0.03
6    Julia     0.03