按列对 NumPy 中的数组进行排序

按 a 的第二列排序：

a[a[:, 1].argsort()]

---

@steve 的 answer 实际上是最优雅的方式。

对于“正确”的方式，请参见 numpy.ndarray.sort 的 order 关键字参数

但是，您需要将数组视为具有字段的数组（结构化数组）。

如果您最初没有使用字段定义数组，那么“正确”的方式会非常难看......

举个简单的例子，对它进行排序并返回一个副本：

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]])

就地排序：

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]])

据我所知，@Steve 确实是最优雅的方式......

此方法的唯一优点是“order”参数是用于排序搜索的字段列表。例如，您可以通过提供 order=['f1','f2','f0'] 按第二列、第三列、第一列排序。

---

您可以按照 Steve Tjoa 的方法对多个列进行排序，方法是使用像 mergesort 这样的稳定排序并将索引从最不重要的列排序到最重要的列：

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')]

这按第 0 列排序，然后是 1，然后是 2。

---

如果有人想在他们程序的关键部分使用排序，这里是不同提案的性能比较：

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

因此，看起来使用 argsort 进行索引是迄今为止最快的方法......

---

正如 the Python documentation wiki 所建议的：

a = ([[1, 2, 3], [4, 5, 6], [0, 0, 1]]); 
a = sorted(a, key=lambda a_entry: a_entry[1]) 
print a

输出：

[[[0, 0, 1], [1, 2, 3], [4, 5, 6]]]

---

在 the NumPy mailing list 中，还有另一个解决方案：

>>> 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]])

---

我有一个类似的问题。

我的问题：

我想计算 SVD，需要按降序对我的 eigenvalues 进行排序。但我想保留特征值和特征向量之间的映射。我的特征值位于第一行，其下方的相应特征向量位于同一列中。

所以我想按第一行按降序对二维数组进行逐列排序。

我的解决方案

a = a[::, a[0,].argsort()[::-1]]

那么这是如何工作的呢？

a[0,] 只是我要排序的第一行。

现在我使用 argsort 来获取索引的顺序。

我使用 [::-1] 因为我需要降序。

最后，我使用 a[::, ...] 以正确顺序获取列的视图。

---

import numpy as np
a=np.array([[21,20,19,18,17],[16,15,14,13,12],[11,10,9,8,7],[6,5,4,3,2]])
y=np.argsort(a[:,2],kind='mergesort')# a[:,2]=[19,14,9,4]
a=a[y]
print(a)

所需的输出是 [[6,5,4,3,2],[11,10,9,8,7],[16,15,14,13,12],[21,20,19,18,17]]

请注意，argsort(numArray) 返回 numArray 的索引，因为它应该以排序方式排列。

例子

x=np.array([8,1,5]) 
z=np.argsort(x) #[1,3,0] are the **indices of the predicted sorted array**
print(x[z]) #boolean indexing which sorts the array on basis of indices saved in z

答案是 [1,5,8]

---

稍微复杂一点的 lexsort 示例 - 在第一列下降，第二列上升。 lexsort 的技巧是它按行排序（因此是 .T），并优先考虑最后一个。

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]])

---

这是另一个考虑 all 列的解决方案（J.J 的答案更简洁）；

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]])

用 lexsort 排序，

ar[np.lexsort(([ar[:, i] for i in range(ar.shape[1]-1, -1, -1)]))]

输出：

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]])

---

这是一个老问题，但如果您需要将其推广到高于 2 维的数组，这里的解决方案可以很容易地推广：

np.einsum('ij->ij', a[a[:,1].argsort(),:])

这对于二维来说是一种过度杀伤，对于@steve 的回答来说，a[a[:,1].argsort()] 就足够了，但是这个答案不能推广到更高的维度。您可以找到an example of 3D array in this question.

输出：

[[7 0 5]
 [9 2 3]
 [4 5 6]]

---

#用于沿第 1 列排序

indexofsort=np.argsort(dataset[:,0],axis=-1,kind='stable') 
dataset   = dataset[indexofsort,:]

---

def sort_np_array(x, column=None, flip=False):
    x = x[np.argsort(x[:, column])]
    if flip:
        x = np.flip(x, axis=0)
    return x

原始问题中的数组：

a = np.array([[9, 2, 3],
              [4, 5, 6],
              [7, 0, 5]])

问题作者所期望的 sort_np_array 函数的结果：

sort_np_array(a, column=1, flip=False)

[2]: array([[7, 0, 5],
            [9, 2, 3],
            [4, 5, 6]])

---

感谢这篇文章：https://stackoverflow.com/a/5204280/13890678

我使用 structured array 找到了一个更“通用”的答案。我认为这种方法的一个优点是代码更容易阅读。

import numpy as np
a = np.array([[9, 2, 3],
           [4, 5, 6],
           [7, 0, 5]])

struct_a = np.core.records.fromarrays(
    a.transpose(), names="col1, col2, col3", formats="i8, i8, i8"
)
struct_a.sort(order="col2")

print(struct_a)

[(7, 0, 5) (9, 2, 3) (4, 5, 6)]

---

Pandas 方法只是为了完整性：

a = np.array([[9, 2, 3],
              [4, 5, 6],
              [7, 0, 5]])              
a = pd.DataFrame(a) 

             
a.sort_values(1, ascending=True).to_numpy()
array([[7, 0, 5], # '1' means sort by second column
       [9, 2, 3],
       [4, 5, 6]])

prl900 进行基准测试，与接受的答案进行比较：

%timeit pandas_df.sort_values(9, ascending=True)
1000 loops, best of 3: 400 µs per loop

%timeit numpy_table[numpy_table[:,9].argsort()]
10000 loops, best of 3: 180 µs per loop  

---

只需使用排序，使用要排序的列号。

a = np.array([1,1], [1,-1], [-1,1], [-1,-1]])
print (a)
a = a.tolist() 
a = np.array(sorted(a, key=lambda a_entry: a_entry[0]))
print (a)

---