numpy.sort#

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

返回数组的已排序副本。

参数：
aarray_like

要排序的数组。

axisint 或 None，可选

要排序的轴。如果为 None，则在排序之前将数组展平。默认值为 -1，表示沿最后一个轴排序。

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

排序算法。默认值为 ‘quicksort’。请注意，‘stable’ 和 ‘mergesort’ 在内部使用 timsort 或 radix sort，通常，实际实现会根据数据类型而有所不同。保留 ‘mergesort’ 选项是为了向后兼容。

在版本 1.15.0 中更改： 添加了 ‘stable’ 选项。

orderstr 或 str 列表，可选

当 a 是一个具有定义字段的数组时，此参数指定首先比较哪些字段，其次比较哪些字段，等等。可以使用字符串指定单个字段，不需要指定所有字段，但未指定的字段仍将使用，按其在 dtype 中出现的顺序来打破平局。

stablebool，可选

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

2.0.0 版中的新内容。

返回值：
sorted_arrayndarray

与 a 类型和形状相同的数组。

参见

ndarray.sort

用于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

在已排序数组中查找元素。

partition

部分排序。

备注

各种排序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。稳定的排序会将具有相同键的项目保持在相同的相对顺序。NumPy 中实现的四种算法具有以下属性

kind

速度

最坏情况

工作空间

稳定

‘quicksort’

1

O(n^2)

0

否

‘heapsort’

3

O(n*log(n))

0

否

‘mergesort’

2

O(n*log(n))

~n/2

是

‘timsort’

2

O(n*log(n))

~n/2

是

注意

数据类型决定了实际使用的是 ‘mergesort’ 还是 ‘timsort’，即使指定了 ‘mergesort’。目前无法在更精细的级别上进行用户选择。目前无法在更精细的级别上进行用户选择。

为了提高性能，sort 会在必要时创建一个临时副本，以便将数据在内存中沿排序轴连续排列。为了获得更好的性能和更低的内存消耗，请确保数组已沿排序轴连续排列。

复数的排序顺序是字典序。如果实部和虚部均为非 NaN，则顺序由实部决定，除非实部相等，在这种情况下，顺序由虚部决定。

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 值排序到末尾。扩展的排序顺序为

  • 实数： [R, nan]

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

其中 R 是非 NaN 实数值。具有相同 NaN 位置的复数值将根据存在的话非 NaN 部分进行排序。非 NaN 值排序方式与以前相同。

1.12.0 版中的新内容。

quicksort 已更改为：introsort。当排序没有取得足够进展时，它会切换到 heapsort。此实现使 quicksort 在最坏情况下为 O(n*log(n))。

‘stable’ 会自动为要排序的数据类型选择最佳稳定排序算法。它以及 ‘mergesort’ 目前映射到 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，并且它针对不同的数据类型是硬编码的。

1.17.0 版中的新内容。

Timsort 添加用于在已排序或近似排序的数据上提高性能。在随机数据上，timsort 与 mergesort 几乎相同。它现在用于稳定排序，而 quicksort 仍然是默认排序（如果没有选择）。有关 timsort 的详细信息，请参阅 CPython listsort.txt。‘mergesort’ 和 ‘stable’ 针对整数数据类型映射到 radix sort。Radix sort 是一种 O(n) 排序，而不是 O(n log n)。

1.18.0 版中的更改。

NaT 现在排序到数组的末尾，以保持与 NaN 的一致性。

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 关键字指定在排序结构化数组时要使用的字段

>>> 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')])
本页内容