numpy.sort #
- 麻木的。sort ( a , axis = -1 , kind = None , order = None ) [来源] #
返回数组的排序副本。
- 参数:
- 类似数组
待排序的数组。
- axis int 或 None,可选
排序所沿的轴。如果没有,则在排序之前将数组展平。默认值为 -1,即沿最后一个轴排序。
- kind {'quicksort', 'mergesort', 'heapsort', 'stable'}, 可选
排序算法。默认为“快速排序”。请注意,“稳定”和“合并排序”都在幕后使用 timsort 或基数排序,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。
版本 1.15.0 中进行了更改:添加了“稳定”选项。
- 排序str 或 str 列表,可选
当a是定义了字段的数组时,该参数指定首先比较哪些字段,第二个字段等。单个字段可以指定为字符串,不需要指定所有字段,但未指定的字段仍然会被使用,在它们在数据类型中出现的顺序,以打破联系。
- 返回:
- 排序数组ndarray
与具有相同类型和形状的数组。
也可以看看
ndarray.sort
就地对数组进行排序的方法。
argsort
间接排序。
lexsort
对多个键进行间接稳定排序。
searchsorted
查找已排序数组中的元素。
partition
部分排序。
笔记
各种排序算法的特点是平均速度、最坏情况性能、工作空间大小以及是否稳定。稳定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
最坏的情况下
工作空间
稳定的
‘快速排序’
1
O(n^2)
0
不
“堆排序”
3
O(n*log(n))
0
不
“合并排序”
2
O(n*log(n))
~n/2
是的
'蒂姆排序'
2
O(n*log(n))
~n/2
是的
笔记
即使指定了“mergesort”,数据类型也决定实际使用“mergesort”或“timsort”中的哪一个。目前尚不支持更精细的用户选择。
当沿除最后一个轴之外的任何轴排序时,所有排序算法都会生成数据的临时副本。因此,沿最后一个轴排序比沿任何其他轴排序更快且占用的空间更少。
复数的排序顺序是字典顺序。如果实部和虚部均非 nan,则阶数由实部确定,除非它们相等,在这种情况下,阶数由虚部确定。
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 >= 1.4.0 中,nan 值被排序到末尾。扩展排序顺序为:
真实:[R,nan]
复数:[R + Rj,R + nanj,nan + Rj,nan + nanj]
其中 R 是非纳实值。具有相同 nan 位置的复数值根据非 nan 部分(如果存在)进行排序。非 nan 值按照以前的方式排序。
1.12.0 版本中的新增内容。
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 堆排序。这种实现使得快速排序在最坏情况下的复杂度为 O(n*log(n))。
“stable”会自动为要排序的数据类型选择最佳的稳定排序算法。目前,它与“mergesort”一起映射到 timsort 或基数排序, 具体取决于数据类型。 API 前向兼容性目前限制了选择实现的能力,并且它针对不同的数据类型是硬连线的。
1.17.0 版本中的新增功能。
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)。
在 1.18.0 版本中进行了更改。
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')])