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
'mergesort'(归并排序) 2 O(n*log(n)) ~n/2
'heapsort'(堆排序) 3 O(n*log(n)) 0

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
 import numpy as np
a = np.array([[3, 7, 5], [9, 1, 6]])
print('我们的数组是:')
print(a)
print('调用 sort() 函数:')
print(np.sort(a))
print('按行排序:')
print(np.sort(a, axis=1))
print('按列排序:')
print(np.sort(a, axis=0))
# 在 sort 函数中排序字段
dt = np.dtype([('name', 'S10'), ('age', int)])
a = np.array([("raju", 21), ("anil", 25), ("ravi", 17), ("amar", 27)], dtype=dt)
print('我们的数组是:')
print(a)
print('按 name 排序:')
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。

 import numpy as np
x = np.array([[1, 6, 2], [9, 5, 7]])
print('原数组:\n', x)
print('对 x 调用 argsort() 函数:')
y = np.argsort(x)
print(y)
print('以排序后的顺序重构原数组:')
z = np.ones((2, 3)) for i in range(2):
k = 0
for j in y[i]:
z[i][k] = x[i][j]
k = k+1
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

 import numpy as np 

 nm =  ('raju','anil','ravi','amar')
dv = ('f.y.', 's.y.', 's.y.', 'f.y.')
ind = np.lexsort((dv,nm))
print ('调用 lexsort() 函数:')
print (ind)
print ('\n')
print ('使用这个索引来获取排序后的数据:')
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

 >>> import numpy as np
>>> np.sort_complex([5, 3, 6, 2, 1])
array([1.+0.j, 2.+0.j, 3.+0.j, 5.+0.j, 6.+0.j])
>>> np.sort_complex([1 + 2j, 2 - 1j, 3 - 2j, 3 - 3j, 3 + 5j])
array([1.+2.j, 2.-1.j, 3.-3.j, 3.-2.j, 3.+5.j])

4.2 partion()分区排序

 import numpy as np
a = np.array([1, 5, 7, 3])
print('原数组:\n', a)
print('分区后的数组:\n',np.partition(a, 1))
b = np.array([[1, 5, 7, 20],
[2, 4, 9, 10]])
print('原数组:\n', b)
print('分区后的数组:\n', np.partition(b, 1))
print('纵向分区:\n', np.partition(b, 1, axis=0))
c = np.array([7, 10, 6, 9, 5, 7])
print('原数组:\n', c)
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

 import numpy as np
arr = np.array([46, 57, 23, 39, 1, 10, 0, 120])
# 找出最小的整数
print(arr[np.argpartition(arr, 0)[0]])
# 找出第三小的整数
print(arr[np.argpartition(arr, 2)[2]])
# 找出最大的整数
print(arr[np.argpartition(arr, -1)[-1]])
#找出第二大的整数
print(arr[np.argpartition(arr, 6)[6]])
print(arr[np.argpartition(arr, -2)[-2]])
# 同时找出第一小、第二小的整数
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)

 import numpy as np
a = np.array([[4, 9, 3, 1],
[5, 7, 3, 1]])
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。

 import numpy as np
a = np.array([[30, 40, 70], [80, 20, 10], [50, 90, 60]])
print('我们的数组是:')
print(a)
print('沿轴 0 的最大值索引:')
maxindex = np.argmax(a, axis=0)
print(maxindex)
print('沿轴 1 的最小值索引:')
minindex = np.argmin(a, axis=1)
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。

 import numpy as np
a = np.array([[30, 40, 0], [0, 20, 10], [50, 0, 60]])
print('我们的数组是:')
print(a)
print('调用 nonzero() 函数:')
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。

 import numpy as np
x = np.arange(9.).reshape(3, 3)
print('我们的数组是:')
print(x)
print('大于 3 的元素的索引:')
y = np.where(x > 3)
print(y)
print('使用这些索引来获取满足条件的元素:')
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.]

15、numpy——排序、条件刷选函数的更多相关文章

  1. NumPy 排序、条件刷选函数

    NumPy 排序.条件刷选函数 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 ...

  2. 吴裕雄--天生自然Numpy库学习笔记:NumPy 排序、条件刷选函数

    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, ...

  3. MVC3+EF4.1学习系列(三)-----排序 刷选 以及分页

    上篇文章 已经做出了基本的增删改查    但这远远不足以应付实际的项目  今天讲下实际项目中 肯定会有的 排序 刷选  以及分页. 重点想多写点分页的 毕竟这个是任何时候都要有的 而且 我会尽量把这个 ...

  4. NumPy之:ndarray中的函数

    NumPy之:ndarray中的函数 目录 简介 简单函数 矢量化数组运算 条件逻辑表达式 统计方法 布尔数组 排序 文件 线性代数 随机数 简介 在NumPy中,多维数组除了基本的算数运算之外,还内 ...

  5. NumPy排序、搜索和计数函数

    NumPy - 排序.搜索和计数函数 NumPy中提供了各种排序相关功能. 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 ...

  6. NumPy 排序、查找、计数

    章节 Numpy 介绍 Numpy 安装 NumPy ndarray NumPy 数据类型 NumPy 数组创建 NumPy 基于已有数据创建数组 NumPy 基于数值区间创建数组 NumPy 数组切 ...

  7. numpy中的arg系列函数

    numpy中的arg系列函数 觉得有用的话,欢迎一起讨论相互学习~Follow Me 不定期更新,现学现卖 numpy中arg系列函数被经常使用,通常先进行排序然后返回原数组特定的索引. argmax ...

  8. 竞态条件与sigsuspend函数

    一.利用pause和alarm函数实现sleep函数 #include <unistd.h> int pause(void); pause函数使调用进程挂起直到有信号递达.如果信号的处理动 ...

  9. Python3:numpy模块中的argsort()函数

    Python3:numpy模块中的argsort()函数   argsort函数是Numpy模块中的函数: >>> import numpy >>> help(nu ...

随机推荐

  1. 2019-8-14-win10-使用-SMB-v1

    title author date CreateTime categories win10 使用 SMB v1 lindexi 2019-08-14 08:55:55 +0800 2018-2-13 ...

  2. Maya多版本下载与激活方法

    目录 1. 安装激活说明 1. 安装激活说明 Maya2019:https://www.cnblogs.com/coco56/p/11425559.html Maya2017:https://www. ...

  3. git如何上传大文件,突破大小限制

    Github中单个文件的大小限制是100MB,为了能突破这个限制,我们需要使用Git Large File Storage这个工具, git lfs install git lfs track &qu ...

  4. 黑客已经瞄准5G网络,如何防止LTE网络攻击?

    黑客是如何攻击5G网络?即使5G进行大规模应用,LTE技术会被淘汰吗?那么我们应该如何防止LTE网络攻击? 5G-网络黑客 即将推出的5G网络也可能容易受到这些攻击,来自中国网络安全研究人员表示,尽管 ...

  5. 快速开发框架下载地址(github)

    eladmin:https://github.com/elunez/eladmin bootDo:https://www.oschina.net/p/bootdo

  6. jquery用法初探

    JQuery选择器 JQuery选择器用于查找满足条件的元素,比如可以用$(“#控件Id”)来根据控件id获得控件的jQuery对象,相当于getElementById: 1.id 选择器   $(“ ...

  7. PL/SQL 条件控制

    ------ PL/SQL 条件控制 IF-THEN语句 DECLARE a ) :; BEGIN a:; -- check the boolean condition using if statem ...

  8. Linux内核设计与实现 总结笔记(第五章)系统调用

    系统调用 内核提供了用户进程和内核交互的接口,使得应用程序可以受限制的访问硬件设备. 提供这些接口主要是为了保证系统稳定可靠,避免应用程序恣意妄行. 一.内核通信 系统调用在用户空间进程和硬件设备之间 ...

  9. Python_010(迭代器)

    一.函数名的运用 1.函数名的内存地址 def func(): print("英雄联盟") print(func) #输出结果: <function func at 0x00 ...

  10. php函数名前添加& 函数的引用返回

    function &test(){ static $b=0; $b= $b+1; return $b; } $a= test(); echo $a,"\n"; $a = 3 ...