NumPy参考 >例行程序 >Sorting, searching, and counting > numpy.sort
numpy.sort（a，axis = -1，kind = None，order = None ）[源代码] ¶返回数组的排序副本。
要排序的数组。
排序所依据的轴。如果为None，则在排序之前将数组展平。默认值为-1，它沿着最后一个轴排序。
排序算法。默认值为“快速排序”。请注意，“稳定”和“合并排序”在后台都使用timsort或基数排序，通常，实际实现会随数据类型而变化。保留'mergesort'选项是为了向后兼容。
在1.15.0版中更改。：添加了“稳定”选项。
当a是定义了字段的数组时，此参数指定要比较的字段的第一个，第二个等。单个字段可以指定为字符串，并且不需要指定所有字段，但是仍将使用未指定的字段。他们以dtype出现的顺序打破关系。
相同的类型和形状的阵列一个。
也可以看看
ndarray.sort就地排序数组的方法。
argsort间接排序。
lexsort对多个键进行间接稳定排序。
searchsorted查找排序数组中的元素。
partition部分排序。
笔记
各种分类算法的特征在于它们的平均速度，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以相同的相对顺序保持。NumPy中实现的四种算法具有以下属性：
类 |
速度 |
最坏的情况下 |
工作空间 |
稳定 |
|---|---|---|---|---|
“快速排序” |
1个 |
O（n ^ 2） |
0 |
没有 |
“堆排序” |
3 |
O（n * log（n）） |
0 |
没有 |
'mergesort' |
2 |
O（n * log（n）） |
〜n / 2 |
是 |
'timsort' |
2 |
O（n * log（n）） |
〜n / 2 |
是 |
注意
即使指定了“ mergesort”，数据类型也会确定实际使用的是“ mergesort”还是“ timsort”。目前尚无法进行更精细的用户选择。
除了沿最后一个轴进行排序外，所有排序算法都会临时复制数据。因此，与沿其他任何轴进行排序相比，沿最后一个轴进行排序速度更快且占用的空间更少。
复数的排序顺序为字典顺序。如果实部和虚部都不都是南，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值的实数和复杂数组进行排序会导致未定义的行为。在numpy版本中，> = 1.4.0的nan值排在最后。扩展的排序顺序为：
实数：[R，南]
复杂项：[R + Rj，R + nanj，nan + Rj，nan + nanj]
其中R是非南实数值。具有相同nan位置的复杂值（如果存在）将根据非nan部分进行排序。非nan值与以前一样排序。
1.12.0版中的新功能。
quicksort已更改为introsort。当排序没有取得足够的进展时，它将切换到 heapsort。此实现在最坏的情况下使快速排序为O（n * log（n））。
“稳定”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 根据数据类型映射到 timsort 或基数排序。API前向兼容性当前限制了选择实现的能力，并且对不同的数据类型进行了硬连接。
1.17.0版中的新功能。
添加Timsort可以提高对已分类或已分类数据的性能。在随机数据上，timsort与mergesort几乎相同。现在，它用于稳定排序，而如果未选择，则快速排序仍是默认排序。有关音符的详细信息，请参阅 CPython listsort.txt。'mergesort'和'stable'映射为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）。
在版本1.17.0中更改。
NaT现在会排序到数组的末尾，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')])