numpy.sort#

numpy.sort(a, axis=-1, kind=None, order=None, *, stable=None)[源代码]#

返回数组的排序副本.

参数:
aarray_like

要排序的数组.

轴int 或 None,可选

排序所沿的轴.如果为 None,则在排序之前将数组展平.默认为 -1,表示沿最后一个轴排序.

kind{‘quicksort’, ‘mergesort’, ‘heapsort’, ‘stable’}, optional

排序算法. 默认值为 ‘quicksort’. 请注意,’stable’ 和 ‘mergesort’ 都使用 timsort 或 radix sort 作为底层实现,并且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.

orderstr 或 list of str,可选

当 a 是具有字段定义的数组时,此参数指定首先比较哪些字段,其次比较哪些字段,依此类推.单个字段可以指定为字符串,并且不需要指定所有字段,但未指定的字段仍将按 dtype 中出现的顺序使用,以打破平局.

stablebool,可选

排序稳定性.如果为 True ,则返回的数组将保持比较起来相等的 a 值的相对顺序.如果为 False 或 None ,则不保证这一点.在内部,此选项选择 kind='stable' .默认值: None .

在 2.0.0 版本加入.

返回:
sorted_arrayndarray

与 a 具有相同类型和形状的数组.

参见

ndarray.sort

就地排序数组的方法.

argsort

间接排序.

lexsort

多个键上的间接稳定排序.

searchsorted

在已排序的数组中查找元素.

partition

部分排序.

注释

各种排序算法的特点是它们的平均速度,最坏情况性能,工作空间大小以及它们是否稳定. 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:

kind

speed

worst case

work space

stable

‘quicksort’

1

O(n^2)

0

否

‘heapsort’

3

O(nlog(n))

0

否

‘归并排序’( mergesort )

2

O(nlog(n))

~n/2

是

‘Timsort’( timsort )

2

O(nlog(n))

~n/2

是

备注

即使指定了 ‘mergesort’,数据类型也决定了实际使用 ‘mergesort’ 还是 ‘timsort’.目前无法进行更细粒度的用户选择.

为了提高性能,如果需要使数据在排序轴上在内存中 contiguous , sort 会创建一个临时副本.为了获得更好的性能并减少内存消耗,请确保数组已经沿排序轴连续.

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

在 numpy 1.4.0 之前的版本中,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 值会被排序到末尾.扩展的排序顺序是:

  • 实数:[R, nan]

  • 复数:[R + Rj, R + nanj, nan + Rj, nan + nanj]

其中 R 是一个非 nan 实数值.具有相同 nan 位置的复数值,如果存在非 nan 部分,则根据非 nan 部分进行排序.非 nan 值按照之前的规则排序.

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 .这种实现使得快速排序在最坏情况下的复杂度为 O(nlog(n)).

‘stable’ 会自动选择最适合排序数据类型的稳定排序算法.它与 ‘mergesort’ 目前都映射到 timsort 或 radix sort ,具体取决于数据类型.API 向前兼容性目前限制了选择实现的能力,并且它是为不同的数据类型硬编码的.

添加了 Timsort,以便在已排序或接近排序的数据上获得更好的性能.在随机数据上,Timsort 几乎与 mergesort 相同.现在它用于稳定排序,而如果未选择任何排序,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.基数排序是一种 O(n) 排序,而不是 O(n log n).

为了与 NaN 保持一致,NaT 现在排序到数组的末尾.

示例

>>> import numpy as np
>>> 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 关键字来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')])

先按年龄排序,如果年龄相同则按身高排序:

>>> 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')])
On this page