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 |
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,如果没有数组会被展开,沿着最后的轴排序, 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
示例:
In [1]: import numpy as np
In [2]: num = np.array([[3,7],[9,1]])
In [3]: num
Out[3]:
array([[3,1]])
In [4]: np.sort(num)
Out[4]:
array([[3,[1,9]])
In [5]: np.sort(num,axis=0)
Out[5]:
array([[3,1],7]])
In [6]: dt = np.dtype([('name','S10'),('age',int)])
In [7]: dt
Out[7]: dtype([('name','<i8')])
In [8]: num = np.array([("raju",21),("anil",25),("ravi",17),("amar",27)],dtype=dt)
In [9]: num
Out[9]:
array([(b'raju',(b'anil',(b'ravi',(b'amar',dtype=[('name','<i8')])
In [10]: print(num)
[(b'raju',21) (b'anil',25) (b'ravi',17) (b'amar',27)]
In [11]: np.sort(num,order='name')
Out[11]:
array([(b'amar',27),(b'raju',17)],'<i8')])
In [12]: print(np.sort(num,order='name'))
[(b'amar',27) (b'anil',25) (b'raju',21) (b'ravi',17)]
numpy.argsort()
函数
返回的是数组值从小到大的索引值
In [1]: import numpy as np
In [2]: x = np.array([3,1,2])
In [3]: x
Out[3]: array([3,2])
In [4]: y = np.argsort(x)
In [5]: y
Out[5]: array([1,2,0])
In [6]: x[y]
Out[6]: array([1,3])
In [7]: for i in y:
...: print (x[i],end=' ')
...:
1 2 3
numpy.lexsort()
函数
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
In [1]: import numpy as np
In [2]: nm = ('raju','anil','ravi','amar')
In [3]: dv = ('f.y.','s.y.','f.y.')
In [4]: ind = np.lexsort((dv,nm))
In [5]: ind
Out[5]: array([3,2])
In [6]: [nm[i] + ',' + dv[i] for i in ind]
Out[6]: ['amar,f.y.','anil,s.y.','raju,'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]
msort
、sort_complex
、partition
、argpartition
-
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[,order]) 指定一个数,对数组进行分区
-
argpartition(a,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
复数排序:
In [1]: import numpy as np
In [2]: np.sort_complex([5,3,6,1])
Out[2]: array([1.+0.j,2.+0.j,3.+0.j,5.+0.j,6.+0.j])
In [3]: np.sort_complex([1 + 2j,2 - 1j,3 - 2j,3 - 3j,3 + 5j])
Out[3]: array([1.+2.j,2.-1.j,3.-3.j,3.-2.j,3.+5.j])
partition() 分区排序:
In [4]: num = np.array([3,4,1])
In [5]: np.partition(num,3)
Out[5]: array([2,4])
In [6]: np.partition(num,(1,3))
Out[6]: array([1,4])
找到数组的第 3 小(index=2)的值和第 2 大(index=-2)的值
In [7]: arr = np.array([46,57,23,39,10,120])
In [8]: arr[np.argpartition(arr,2)[2]]
Out[8]: 10
In [9]: arr[np.argpartition(arr,-2)[-2]]
Out[9]: 57
同时找到第 3 和第 4 小的值。注意这里,用 [2,3] 同时将第 3 和第 4 小的排序好,然后可以分别通过下标 [2] 和 [3] 取得
In [10]: arr[np.argpartition(arr,[2,3])[2]]
Out[10]: 10
In [11]: arr[np.argpartition(arr,3])[3]]
Out[11]: 23
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
In [1]: import numpy as np
In [2]: num = np.array([[30,40,70],[80,20,10],[50,90,60]])
In [3]: num
Out[3]:
array([[30,60]])
In [4]: np.argmax(num)
Out[4]: 7
In [5]: num.flatten()
Out[5]: array([30,70,80,50,60])
In [6]: # 沿轴 0 的最大值索引
In [7]: np.argmax(num,axis=0)
Out[7]: array([1,0])
In [8]: # 沿轴 1 的最大值索引
In [9]: np.argmax(num,axis=1)
Out[9]: array([2,1])
In [10]: np.argmin(num)
Out[10]: 5
In [11]: # 展开数组中的最小值
In [12]: num.flatten()[minindex]
Out[12]: 10
In [13]: # 沿轴 0 的最小值索引
In [14]: np.argmin(num,axis=0)
Out[14]: array([0,1])
In [15]: np.argmin(num,axis=1)
Out[15]: array([0,0])
numpy.nonzero()
函数
返回输入数组中非零元素的索引
In [1]: import numpy as np
In [2]: num = np.array([[30,0],[0,60]])
In [3]: num
Out[3]:
array([[30,
[ 0,
[50,60]])
In [4]: np.nonzero(num)
Out[4]: (array([0,2]),array([0,2]))
numpy.where()
函数
返回输入数组中满足给定条件的元素的索引
In [1]: import numpy as np
In [2]: x = np.arange(9.).reshape(3,3)
In [3]: x
Out[3]:
array([[0.,1.,2.],[3.,4.,5.],[6.,7.,8.]])
In [4]: y = np.where(x > 3)
In [5]: y
Out[5]: (array([1,array([1,2]))
In [6]: x[y]
Out[6]: array([4.,5.,6.,8.])
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
In [1]: import numpy as np
In [2]: x = np.arange(9.).reshape(3,8.]])
In [4]: y = np.mod(x,2) == 0
In [5]: y
Out[5]:
array([[ True,False,True],[False,True,False],[ True,True]])
In [6]: np.extract(y,x)
Out[6]: array([0.,2.,8.])