python中sort的用法_Python numpy.sort函数方法的使用

numpy.sort

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

返回数组的排序副本。参数 ：a ：array_like

要排序的数组。

axis ：int 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，它沿着最后一个轴排序。

kind ：{‘quicks或t’, ‘merges或t’, ‘heaps或t’, ‘stable’}, 可选

排序算法。 默认值为‘quicksort’。

请注意，‘stable’和 ‘mergesort’均在底下使用timsort或基数排序，

并且通常，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版中进行了更改。：添加了‘stable’选项。

order ：str 或 str类型的list , 可选

当a是一个定义了字段的数组时，

这个参数指定了首先比较哪个字段，第二个字段，

等等。可以将单个字段指定为字符串，但不需要指定所有字段，

但仍将使用未指定的字段(按照它们在dtype中出现的顺序)来中断绑定。

返回值 ：sorted_array ：ndarray

与a具有相同类型和形状的数组。

Notes

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：

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。

复数的排序顺序是按字典顺序的。如果实部和虚部都是non-nan，那么它的阶数由实部决定除非它们相等，这种情况下它的阶数由虚部决定。

在numpy 1.4.0之前，对包含nan值的实数组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 nan值被排序到最后。 扩展的排序顺序为：Real: [R, nan]

Complex: [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non-nan部分进行排序。 non-nan值与以前一样排序。

1.12.0版中的新功能。

quicksort已更改为introsort。 如果排序没有取得足够的进展，它将切换到堆排序。 此实现在最坏的情况下使快速排序为O(n*log(n))。

‘stable’ 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。 对于整数数据类型，‘mergesort’ 和 ‘stable’被映射为基数排序。 基数排序是O(n)排序，而不是O(n log n)。

在版本1.18.0中更改。

为了与NaN保持一致，NaT现在在数组的末尾进行排序。

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')

narray([('Galahad', 1.7, 38), ('Arthur', 1.8, 41),

('Lancelot', 1.8999999999999999, 38)],

dtype=[('name', '|S10'), ('height', '

按年龄排序，并且年龄的高度相等：>>> np.sort(a, order=['age', 'height'])

array([('Galahad', 1.7, 38), ('Lancelot', 1.8999999999999999, 38),

('Arthur', 1.8, 41)],

dtype=[('name', '|S10'), ('height', '