如何使用 NumPy 对结构化数组执行高效排序.docx

如何使用NumPy对结构化数组执行高效排序

NumPy中的结构化数组是一项强大的功能，可让您高效、直观地处理复杂数据。与常规NumPy数组（通常是单一数据类型的一维或多维数组）不同，结构化数组可以在每个元素中保存不同的数据类型。这使得它们对于每个条目包含不同类型的多个属性（例如数据库记录或电子表格行）的数据集特别有用。

假设您正在管理一份员工列表，每个员工都有姓名、年龄和薪水。使用结构化数组，您可以将所有这些信息存储在一个数组中，其中每个元素都是包含多个字段的记录。这种方法可以使您的数据井井有条，并允许您有效地执行复杂的操作，例如排序和过滤。

常规数组与结构化数组

正则数组

结构化数组

同质（同一类型的所有元素）

异构（元素可以有不同的类型）

数据一致性至关重要的数值计算

具有多个不同类型字段的复杂数据集

常规数组初始化：

np.array([1,2,3,4,5])

结构化数组初始化：

np.array([(Alice,25,50000.0),(Bob,30,60000.0),(Cathy,27,55000.0)],dtype=[(name,U10),(age,i4),(salary,f8)])

常规数组中的数据访问是通过索引进行的。

从上面的数组中，为了获取第一个索引，我们说：

array[0]

而结构化数组中的数据访问是通过字段名称进行的。

例如：

array[field_name]

在本文中，我们将深入研究结构化数组，探索如何使用NumPy强大的工具创建、操作它们，最重要的是，如何有效地对它们进行排序。

NumPy的排序函数

NumPy提供了多种排序功能，旨在让生活更轻松。这些函数非常快，允许您以各种方式对数组进行排序。您在NumPy中遇到的主要排序函数是np.sort和np.argsort。

np排序

np.sort是NumPy中的一个高效函数，用于对数组进行排序。它提供了简单的语法和强大的选项，用于对各种维度的数组进行排序任务。

numpy.sort(a,axis=-1,kind=quicksort,order=None)

在哪里：

a：要排序的数组。

axis：排序的轴。默认为-1，表示最后一个轴。

kind：要使用的排序算法。选项包括快速排序、合并排序、堆排序和稳定排序。默认是快速排序。

order：对结构化数组进行排序时，指定排序依据的字段。

例子：

importnumpyasnp

#创建一维数组

array=np.array([5,2,9,1,5,6])

#对数组进行排序

Sorted_array=np.sort(array)

print(原始数组:,array)

print(排序后的数组：,sorted_array)

输出：

原始数组：[529156]

排序数组：[125569]

在此示例中，np.sort获取原始数组并返回一个新数组，其中元素按升序排序。就这么简单！原数组保持不变，排序后的结果存储在sorted_array中。

np.argsort

np.argsort是一个NumPy函数，它返回对数组进行排序的索引。返回排序值的np.sort不同，np.argsort提供了一种确定元素顺序的方法，就像数组已排序一样。这对于基于排序顺序索引和重新组织数据特别有用，而无需直接修改原始数组。

numpy.argsort(a,axis=-1,kind=None,order=None,*,stable=None)

在哪里：

a：要排序的输入数组。

axis：排序的轴。默认情况下，它是最后一个轴(-1)。如果a是一维数组，则不需要该参数。

kind：要使用的排序算法，快速排序、合并排序、堆排序或稳定排序。

order：当a是结构化数组时，指定排序依据的字段。

这是一个简单的示例来说明np.argsort的工作原理：

importnumpyasnp

#创建一个一维数组

array=np.array([40,10,30,20])

#获取对数组进行排序的索引

Sorted_indices=np.argsort(array)

print(原始数组:,array)

print(对数组进行排序的索引：,sorted_indices)

print(使用索引对数组进行排序：,array[sorted_indices])

输出：

原始数组：[40103020]

对数组进行排序的索引：[1320]

使用索引排序的数组：[10203040]

如何使用Numpy对结构化数组进行有效排序

让我们看一下使用Nu