I vissa fall kräver vi en sorterad array för beräkning. För detta ändamål tillhandahåller numpy-modulen i Python en funktion som kallas numpy.sort() . Denna funktion ger en sorterad kopia av källmatrisen eller inmatningsmatrisen.
Syntax:
numpy.sort(a, axis=-1, kind='quicksort', order=None)
Parametrar:
x: array_like
Denna parameter definierar källmatrisen, som kommer att sorteras.
window.open javascript
axel: int eller ingen (valfritt)
Denna parameter definierar axeln längs vilken sorteringen utförs. Om denna parameter är Ingen , kommer matrisen att tillplattas före sortering, och som standard är denna parameter satt till -1, vilket sorterar matrisen längs den sista axeln.
typ: {quicksort, heapsort, mergesort}(valfritt)
Denna parameter används för att definiera sorteringsalgoritmen, och som standard utförs sorteringen med hjälp av 'snabbsort' .
order: str eller lista över str (valfritt)
När en array är definierad med fält, definierar dess ordning fälten för att göra en jämförelse i första, andra, etc. Endast det enstaka fältet kan anges som en sträng, och inte nödvändigtvis för alla fält. De ospecificerade fälten kommer dock fortfarande att användas, i den ordning som de kommer upp i dtype, för att bryta banden.
Returnerar:
Denna funktion returnerar en sorterad kopia av källmatrisen, som kommer att ha samma form och typ som en källmatris.
Exempel 1:
import numpy as np x=np.array([[1,4,2,3],[9,13,61,1],[43,24,88,22]]) x y=np.sort(x) y
Produktion:
system.out.println
array([[ 1, 4, 2, 3], [ 9, 13, 61, 1], [43, 24, 88, 22]]) array([[ 1, 2, 3, 4], [ 1, 9, 13, 61], [22, 24, 43, 88]])
I ovanstående kod
- Vi har importerat numpy med alias np.
- Vi har skapat en flerdimensionell array 'x' använder sig av np.array() fungera.
- Vi har deklarerat variabeln 'och' och tilldelade det returnerade värdet på np.sort() fungera.
- Vi har passerat ingångsmatrisen 'x' i funktionen.
- Till sist försökte vi skriva ut värdet på 'och' .
I utgången visar den en sorterad kopia av källarrayen av samma typ och form.
Exempel 2:
import numpy as np x=np.array([[1,4,2,3],[9,13,61,1],[43,24,88,22]]) x y=np.sort(x, axis=None) y
Produktion:
array([[ 1, 4, 2, 3], [ 9, 13, 61, 1], [43, 24, 88, 22]]) array([ 1, 1, 2, 3, 4, 9, 13, 22, 24, 43, 61, 88])
Exempel 3:
import numpy as np x=np.array([[1,4,2,3],[9,13,61,1],[43,24,88,22]]) x y=np.sort(x,axis=0) y z=np.sort(x,axis=1) z
Produktion:
array([[ 1, 4, 2, 1], [ 9, 13, 61, 3], [43, 24, 88, 22]]) array([[ 1, 2, 3, 4], [ 1, 9, 13, 61], [22, 24, 43, 88]])
Exempel 4:
import numpy as np dtype = [('name', 'S10'), ('height', float), ('age', int),('gender','S10')] values = [('Shubham', 5.9, 23, 'M'), ('Arpita', 5.6, 23, 'F'),('Vaishali', 5.2, 30, 'F')] x=np.array(values, dtype=dtype) x y=np.sort(x, order='age') y z=np.sort(x, order=['age','height']) z
Produktion:
array([('Shubham', 5.9, 23, 'M'), ('Arpita', 5.6, 23, 'F'), ('Vaishali', 5.2, 30, 'F')],dtype=[('name', 'S10'), ('height', '<f8'), ('age', ' <i4'), ('gender', 's10')]) array([('arpita', 5.6, 23, 'f'), ('shubham', 5.9, 'm'), ('vaishali', 5.2, 30, 'f')], dtype="[('name'," 's10'), ('height', '<f8'), < pre> <p> <strong>In the above code</strong> </p> <ul> <li>We have imported numpy with alias name np.</li> <li>We have defined the fields and values for the structured array.</li> <li>We have created a structured array <strong>'x'</strong> by passing dtype and values in the <strong>np.array()</strong> function.</li> <li>We have declared the variables <strong>'y'</strong> and <strong>'z'</strong> , and assigned the returned value of <strong>np.sort()</strong> function.</li> <li>We have passed the input array <strong>'x'</strong> and order in the function.</li> <li>Lastly, we tried to print the value of <strong>'y</strong> ' and <strong>'z'</strong> .</li> </ul> <p>In the output, it shows a sorted copy of the structured array with a defined order.</p> <hr></f8'),>