NumPy 提供了多种排序的方法。 这些排序函数实现不同的排序算法，每个排序算法的特征在于执行速度，最坏情况性能，所需的工作空间和算法的稳定性。 下表显示了三种排序算法的比较。
| 种类 | 速度 | 最坏情况 | 工作空间 | 稳定性 |
|---|---|---|---|---|
'quicksort'（快速排序） |
1 | O(n^2) |
0 | 否 |
'mergesort'（归并排序） |
2 | O(n*log(n)) |
~n/2 | 是 |
'heapsort'（堆排序） |
3 | O(n*log(n)) |
0 | 否 |
1、numpy.sort()
numpy.sort() 函数返回输入数组的排序副本。函数格式如下：
numpy.sort(a, axis, kind, order)
参数说明：
- a: 要排序的数组
- axis: 沿着它排序数组的轴，如果没有数组默认按行， axis=0 按列排序，axis=1 按行排序
- kind: 默认为'quicksort'（快速排序）
- order: 如果数组包含字段，则是要排序的字段
1 import numpy as np 2 a = np.array([[3, 7, 5], [9, 1, 6]]) 3 print('我们的数组是：') 4 print(a) 5 print('调用 sort() 函数：') 6 print(np.sort(a)) 7 print('按行排序：') 8 print(np.sort(a, axis=1)) 9 print('按列排序：') 10 print(np.sort(a, axis=0)) 11 # 在 sort 函数中排序字段 12 dt = np.dtype([('name', 'S10'), ('age', int)]) 13 a = np.array([("raju", 21), ("anil", 25), ("ravi", 17), ("amar", 27)], dtype=dt) 14 print('我们的数组是：') 15 print(a) 16 print('按 name 排序：') 17 print(np.sort(a, order='name'))
执行结果：
我们的数组是： [[3 7 5] [9 1 6]] 调用 sort() 函数： [[3 5 7] [1 6 9]] 按行排序： [[3 5 7] [1 6 9]] 按列排序： [[3 1 5] [9 7 6]] 我们的数组是： [(b'raju', 21) (b'anil', 25) (b'ravi', 17) (b'amar', 27)] 按 name 排序： [(b'amar', 27) (b'anil', 25) (b'raju', 21) (b'ravi', 17)]
2、numpy.argsort()
numpy.argsort() 函数返回的是数组值从小到大的索引值。
1 import numpy as np 2 x = np.array([[1, 6, 2], [9, 5, 7]]) 3 print('原数组:\n', x) 4 print('对 x 调用 argsort() 函数：') 5 y = np.argsort(x) 6 print(y) 7 print('以排序后的顺序重构原数组：') 8 z = np.ones((2, 3)) 9 10 for i in range(2): 11 k = 0 12 for j in y[i]: 13 z[i][k] = x[i][j] 14 k = k+1 15 print(z)
执行结果：
原数组: [[1 6 2] [9 5 7]] 对 x 调用 argsort() 函数： [[0 2 1] [1 2 0]] 以排序后的顺序重构原数组： [[1. 2. 6.] [5. 7. 9.]]
3、numpy.lexsort()
numpy.lexsort() 用于对多个序列进行排序。把它想象成对电子表格进行排序，每一列代表一个序列，排序时优先照顾靠后的列。
这里举一个应用场景：小升初考试，重点班录取学生按照总成绩录取。在总成绩相同时，数学成绩高的优先录取，在总成绩和数学成绩都相同时，按照英语成绩录取…… 这里，总成绩排在电子表格的最后一列，数学成绩在倒数第二列，英语成绩在倒数第三列
1 import numpy as np 2 3 nm = ('raju','anil','ravi','amar') 4 dv = ('f.y.', 's.y.', 's.y.', 'f.y.') 5 ind = np.lexsort((dv,nm)) 6 print ('调用 lexsort() 函数：') 7 print (ind) 8 print ('\n') 9 print ('使用这个索引来获取排序后的数据：') 10 print ([nm[i] + ", " + dv[i] for i in ind])
执行结果：
调用 lexsort() 函数： [3 1 0 2] 使用这个索引来获取排序后的数据： ['amar, f.y.', 'anil, s.y.', 'raju, f.y.', 'ravi, s.y.']
上面传入 np.lexsort 的是一个tuple，排序时首先排 nm，顺序为：amar、anil、raju、ravi 。综上排序结果为 [3 1 0 2]。
4、msort、sort_complex、partition、argpartition
| 函数 | 描述 |
|---|---|
| msort(a) | 数组按第一个轴排序，返回排序后的数组副本。np.msort(a) 相等于 np.sort(a, axis=0)。 |
| sort_complex(a) | 对复数按照先实部后虚部的顺序进行排序。 |
| partition(a, kth[, axis, kind, order]) | 指定一个数，对数组进行分区 |
| argpartition(a, kth[, axis, kind, order]) | 可以通过关键字 kind 指定算法沿着指定轴对数组进行分区 找出第几大(或第几小)的数 |
4.1 sort_complex(a)对复数按照先实部后虚部的顺序排序
1 >>> import numpy as np 2 >>> np.sort_complex([5, 3, 6, 2, 1]) 3 array([1.+0.j, 2.+0.j, 3.+0.j, 5.+0.j, 6.+0.j]) 4 >>> np.sort_complex([1 + 2j, 2 - 1j, 3 - 2j, 3 - 3j, 3 + 5j]) 5 array([1.+2.j, 2.-1.j, 3.-3.j, 3.-2.j, 3.+5.j])
4.2 partion（）分区排序
1 import numpy as np 2 a = np.array([1, 5, 7, 3]) 3 print('原数组：\n', a) 4 print('分区后的数组：\n',np.partition(a, 1)) 5 b = np.array([[1, 5, 7, 20], 6 [2, 4, 9, 10]]) 7 print('原数组：\n', b) 8 print('分区后的数组：\n', np.partition(b, 1)) 9 print('纵向分区：\n', np.partition(b, 1, axis=0)) 10 c = np.array([7, 10, 6, 9, 5, 7]) 11 print('原数组：\n', c) 12 print('分区：\n', np.partition(c, (0, 3)))
执行结果：
原数组： [1 5 7 3] 分区后的数组： [1 3 7 5] 原数组： [[ 1 5 7 20] [ 2 4 9 10]] 分区后的数组： [[ 1 5 7 20] [ 2 4 9 10]] 纵向分区： [[ 1 4 7 10] [ 2 5 9 20]] 原数组： [ 7 10 6 9 5 7] 分区： [ 5 6 7 7 10 9]
4.3 argpartition(a, kth[, axis, kind, order]) 可以通过关键字kind指定算法沿指定轴对数组进行分区 找出第几大(或第几小)的数
1 import numpy as np 2 arr = np.array([46, 57, 23, 39, 1, 10, 0, 120]) 3 # 找出最小的整数 4 print(arr[np.argpartition(arr, 0)[0]]) 5 # 找出第三小的整数 6 print(arr[np.argpartition(arr, 2)[2]]) 7 # 找出最大的整数 8 print(arr[np.argpartition(arr, -1)[-1]]) 9 #找出第二大的整数 10 print(arr[np.argpartition(arr, 6)[6]]) 11 print(arr[np.argpartition(arr, -2)[-2]]) 12 # 同时找出第一小、第二小的整数 13 print(arr[np.argpartition(arr, [0, 1])[0]],arr[np.argpartition(arr, [0, 1])[1]])
执行结果：
0 10 120 57 57 0 1
4.4 msort()数组按第一个轴排序，返回排序后的数组副本。np.msort(a) 相等于 np.sort(a, axis=0)
1 import numpy as np 2 a = np.array([[4, 9, 3, 1], 3 [5, 7, 3, 1]]) 4 print(np.msort(a))
执行结果：
[[4 7 3 1]
[5 9 3 1]]
5、numpy.argmax() 和 numpy.argmin()
numpy.argmax() 和 numpy.argmin()函数分别沿给定轴返回最大和最小元素的索引。
1 import numpy as np 2 a = np.array([[30, 40, 70], [80, 20, 10], [50, 90, 60]]) 3 print('我们的数组是：') 4 print(a) 5 print('沿轴 0 的最大值索引：') 6 maxindex = np.argmax(a, axis=0) 7 print(maxindex) 8 print('沿轴 1 的最小值索引：') 9 minindex = np.argmin(a, axis=1) 10 print(minindex)
执行结果：
我们的数组是： [[30 40 70] [80 20 10] [50 90 60]] 沿轴 0 的最大值索引： [1 2 0] 沿轴 1 的最小值索引： [0 2 0]
6、numpy.nonzero()
numpy.nonzero() 函数返回输入数组中非零元素的索引。
1 import numpy as np 2 a = np.array([[30, 40, 0], [0, 20, 10], [50, 0, 60]]) 3 print('我们的数组是：') 4 print(a) 5 print('调用 nonzero() 函数：') 6 print(a[np.nonzero(a)])
执行结果：
我们的数组是： [[30 40 0] [ 0 20 10] [50 0 60]] 调用 nonzero() 函数： [30 40 20 10 50 60]
7、numpy.where()
numpy.where() 函数返回输入数组中满足给定条件的元素的索引。
1 import numpy as np 2 x = np.arange(9.).reshape(3, 3) 3 print('我们的数组是：') 4 print(x) 5 print('大于 3 的元素的索引：') 6 y = np.where(x > 3) 7 print(y) 8 print('使用这些索引来获取满足条件的元素：') 9 print(x[y])
执行结果：
我们的数组是： [[0. 1. 2.] [3. 4. 5.] [6. 7. 8.]] 大于 3 的元素的索引： (array([1, 1, 2, 2, 2], dtype=int64), array([1, 2, 0, 1, 2], dtype=int64)) 使用这些索引来获取满足条件的元素： [4. 5. 6. 7. 8.]
8、numpy.extract()
numpy.extract() 函数根据某个条件从数组中抽取元素，返回满条件的元素。
import numpy as np x = np.arange(9.).reshape(3, 3) print('我们的数组是：') print(x) # 定义条件, 选择偶数元素 condition = np.mod(x, 2) == 0 print('按元素的条件值：') print(condition) print('使用条件提取元素：') print(np.extract(condition, x))
执行结果：
我们的数组是： [[0. 1. 2.] [3. 4. 5.] [6. 7. 8.]] 按元素的条件值： [[ True False True] [False True False] [ True False True]] 使用条件提取元素： [0. 2. 4. 6. 8.]