Как отсортировать массив в NumPy с помощью n-го столбца?
Например,
a = array([[9, 2, 3],
[4, 5, 6],
[7, 0, 5]])
Я бы хотел отсортировать строки по второй колонке, чтобы вернуться:
array([[7, 0, 5],
[9, 2, 3],
[4, 5, 6]])
@steve на самом деле самый элегантный способ сделать это.
Для "правильного" способа см. Аргумент ключевого слова order numpy.ndarray.sort
Однако вам нужно будет просмотреть массив как массив с полями (структурированный массив).
"Правильный" способ довольно уродлив, если вы изначально не определили свой массив с полями...
В качестве краткого примера, чтобы отсортировать его и вернуть копию:
In [1]: import numpy as np
In [2]: a = np.array([[1,2,3],[4,5,6],[0,0,1]])
In [3]: np.sort(a.view('i8,i8,i8'), order=['f1'], axis=0).view(np.int)
Out[3]:
array([[0, 0, 1],
[1, 2, 3],
[4, 5, 6]])
Чтобы отсортировать его на месте:
In [6]: a.view('i8,i8,i8').sort(order=['f1'], axis=0) #<-- returns None
In [7]: a
Out[7]:
array([[0, 0, 1],
[1, 2, 3],
[4, 5, 6]])
@Steve действительно самый элегантный способ сделать это, насколько я знаю...
Единственным преимуществом этого метода является то, что аргумент "порядок" представляет собой список полей для заказа поиска. Например, вы можете отсортировать второй столбец, затем третий столбец, затем первый столбец, указав порядок = ['f1', 'f2', 'f0'].
Я полагаю, это работает: a[a[:,1].argsort()]
Это указывает на второй столбец и разбирайтесь на его основе, соответственно. a
Вы можете сортировать по нескольким столбцам в соответствии со способом Steve Tjoa, используя стабильную сортировку типа mergesort и сортировку индексов от наименее значимых до наиболее значимых столбцов:
a = a[a[:,2].argsort()] # First sort doesn't need to be stable.
a = a[a[:,1].argsort(kind='mergesort')]
a = a[a[:,0].argsort(kind='mergesort')]
Это сортирует по столбцу 0, затем 1, затем 2.
Из документация по документации Python, я думаю, вы можете сделать:
a = ([[1, 2, 3], [4, 5, 6], [0, 0, 1]]);
a = sorted(a, key=lambda a_entry: a_entry[1])
print a
Вывод:
[[[0, 0, 1], [1, 2, 3], [4, 5, 6]]]
Из списка рассылки NumPy есть еще одно решение:
>>> a
array([[1, 2],
[0, 0],
[1, 0],
[0, 2],
[2, 1],
[1, 0],
[1, 0],
[0, 0],
[1, 0],
[2, 2]])
>>> a[np.lexsort(np.fliplr(a).T)]
array([[0, 0],
[0, 0],
[0, 2],
[1, 0],
[1, 0],
[1, 0],
[1, 0],
[1, 2],
[2, 1],
[2, 2]])
В случае, если кто-то хочет использовать сортировку в критической части своих программ здесь, сравнение производительности для разных предложений:
import numpy as np
table = np.random.rand(5000, 10)
%timeit table.view('f8,f8,f8,f8,f8,f8,f8,f8,f8,f8').sort(order=['f9'], axis=0)
1000 loops, best of 3: 1.88 ms per loop
%timeit table[table[:,9].argsort()]
10000 loops, best of 3: 180 µs per loop
import pandas as pd
df = pd.DataFrame(table)
%timeit df.sort_values(9, ascending=True)
1000 loops, best of 3: 400 µs per loop
Итак, похоже, что индексирование с argsort является самым быстрым методом до сих пор...
У меня была аналогичная проблема.
Моя проблема:
Я хочу рассчитать SVD и мне нужно отсортировать eigenvalues в порядке убывания. Но я хочу сохранить отображение между собственными значениями и собственными векторами. Мои собственные значения были в первой строке и соответствующем собственном векторе ниже этого в том же столбце.
Итак, я хочу сортировать двумерный массив по столбцу первой строкой в порядке убывания.
Мое решение
a = a[::, a[0,].argsort()[::-1]]
Итак, как это работает?
a[0,] - это только первая строка, которую я хочу сортировать.
Теперь я использую argsort для получения порядка индексов.
Я использую [::-1], потому что мне нужен убывающий порядок.
Наконец, я использую a[::, ...], чтобы получить представление со столбцами в правильном порядке.
Немного более сложный пример lexsort - спуск по 1-му столбцу, второй по возрастанию на втором. Трюки с lexsort состоят в том, что они сортируются по строкам (следовательно, .T) и отдают приоритет последним.
In [120]: b=np.array([[1,2,1],[3,1,2],[1,1,3],[2,3,4],[3,2,5],[2,1,6]])
In [121]: b
Out[121]:
array([[1, 2, 1],
[3, 1, 2],
[1, 1, 3],
[2, 3, 4],
[3, 2, 5],
[2, 1, 6]])
In [122]: b[np.lexsort(([1,-1]*b[:,[1,0]]).T)]
Out[122]:
array([[3, 1, 2],
[3, 2, 5],
[2, 1, 6],
[2, 3, 4],
[1, 1, 3],
[1, 2, 1]])
Вот еще одно решение, учитывающее все столбцы (более компактный способ ответа JJ);
ar=np.array([[0, 0, 0, 1],
[1, 0, 1, 0],
[0, 1, 0, 0],
[1, 0, 0, 1],
[0, 0, 1, 0],
[1, 1, 0, 0]])
Сортировка с помощью lexsort,
ar[np.lexsort(([ar[:, i] for i in range(ar.shape[1]-1, -1, -1)]))]
Вывод:
array([[0, 0, 0, 1],
[0, 0, 1, 0],
[0, 1, 0, 0],
[1, 0, 0, 1],
[1, 0, 1, 0],
[1, 1, 0, 0]])