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')])