Python numpy sort用法及代码示例

本文简要介绍 python 语言中 numpy.sort 的用法。

用法:

numpy.sort(a, axis=- 1, kind=None, order=None)

返回数组的排序副本。

参数：

a： array_like

要排序的数组。

axis： int 或无，可选

要排序的轴。如果为 None，则数组在排序前被展平。默认值为 -1，沿最后一个轴排序。

kind： {‘quicksort’, ‘mergesort’, ‘heapsort’, ‘stable’}，可选

排序算法。默认值为‘quicksort’。请注意，‘stable’ 和 ‘mergesort’ 都在后台使用 timsort 或 radix sort，通常，实际实现会因数据类型而异。保留 ‘mergesort’ 选项是为了向后兼容。

order： str 或 str 列表，可选

当 a 是定义了字段的数组时，此参数指定首先比较哪些字段，第二个等。单个字段可以指定为字符串，不需要指定所有字段，但仍会使用未指定的字段，在他们在 dtype 中出现的顺序，以打破关系。

返回：

sorted_array： ndarray

与 a 具有相同类型和形状的数组。

注意：

各种排序算法的特点是它们的平均速度、最坏情况下的性能、工作空间大小以及它们是否稳定。稳定的排序使具有相同键的项目保持相同的相对顺序。 NumPy 中实现的四种算法具有以下属性：

种类	速度	最差的情况	工作空间	稳定的
‘quicksort’	1	O(n^2)	0	no
‘heapsort’	3	O(n*log(n))	0	no
‘mergesort’	2	O(n*log(n))	~n/2	yes
‘timsort’	2	O(n*log(n))	~n/2	yes

注意

数据类型确定实际使用的是‘mergesort’ 还是‘timsort’，即使指定了‘mergesort’。当前不提供更精细的用户选择。

当沿除最后一个轴之外的任何轴进行排序时，所有排序算法都会临时复制数据。因此，沿最后一个轴排序比沿任何其他轴排序更快且占用更少空间。

复数的排序顺序是字典顺序。如果实部和虚部都不是nan，则顺序由实部确定，除非它们相等，在这种情况下，顺序由虚部确定。

在 numpy 1.4.0 之前，对包含 nan 值的实数和复数数组进行排序会导致未定义的行为。在 numpy 版本中 >= 1.4.0 nan 值被排序到最后。扩展排序顺序为：

• 真实：[R，南]

• 复合物：[R + Rj，R + nanj，nan + Rj，nan + nanj]

其中 R 是一个非 nan 实数值。具有相同 nan 位置的复杂值根据 non-nan 部分(如果存在)进行排序。非 nan 值像以前一样排序。

快速排序已更改为 introsort 。当排序没有取得足够的进展时，它会切换到 heapsort 。此实现在最坏的情况下使快速排序 O(n*log(n))。

‘stable’ 自动为被排序的数据类型选择最稳定的排序算法。它与 ‘mergesort’ 目前根据数据类型映射到 timsort 或 radix sort。 API 前向兼容性目前限制了选择实现的能力，并且对于不同的数据类型是硬连线的。

添加 Timsort 是为了在已经排序或接近排序的数据上获得更好的性能。对于随机数据，timsort 与 mergesort 几乎相同。它现在用于稳定排序，而如果未选择快速排序，则快速排序仍然是默认排序。有关 timsort 的详细信息，请参阅 CPython listsort.txt 。 ‘mergesort’ 和 ‘stable’ 映射到整数数据类型的基数排序。基数排序是 O(n) 排序，而不是 O(n log n)。

NaT 现在排序到数组末尾以与 NaN 保持一致。

例子：

>>> a = np.array([[1,4],[3,1]])
>>> np.sort(a)                # sort along the last axis
array([[1, 4],
       [1, 3]])
>>> np.sort(a, axis=None)     # sort the flattened array
array([1, 1, 3, 4])
>>> np.sort(a, axis=0)        # sort along the first axis
array([[1, 1],
       [3, 4]])

使用 order 关键字指定在对结构化数组进行排序时要使用的字段：

>>> dtype = [('name', 'S10'), ('height', float), ('age', int)]
>>> values = [('Arthur', 1.8, 41), ('Lancelot', 1.9, 38),
...           ('Galahad', 1.7, 38)]
>>> a = np.array(values, dtype=dtype)       # create a structured array
>>> np.sort(a, order='height')                        
array([('Galahad', 1.7, 38), ('Arthur', 1.8, 41),
       ('Lancelot', 1.8999999999999999, 38)],
      dtype=[('name', '|S10'), ('height', '<f8'), ('age', '<i4')])

按年龄排序，如果年龄相等，则按身高排序：

>>> np.sort(a, order=['age', 'height'])               
array([('Galahad', 1.7, 38), ('Lancelot', 1.8999999999999999, 38),
       ('Arthur', 1.8, 41)],
      dtype=[('name', '|S10'), ('height', '<f8'), ('age', '<i4')])