Dažos gadījumos aprēķiniem ir nepieciešams sakārtots masīvs. Šim nolūkam Python numpy modulis nodrošina funkciju, ko sauc numpy.sort() . Šī funkcija nodrošina sakārtotu avota masīva vai ievades masīva kopiju.
Sintakse:
numpy.sort(a, axis=-1, kind='quicksort', order=None)
Parametri:
x: masīva_līdzīgs
Šis parametrs nosaka avota masīvu, kas tiks sakārtots.
listnode
ass: iekšējais vai nav (pēc izvēles)
Šis parametrs nosaka asi, pa kuru tiek veikta šķirošana. Ja šis parametrs ir Nav , masīvs pirms kārtošanas tiks saplacināts, un pēc noklusējuma šis parametrs ir iestatīts uz -1, kas kārto masīvu pa pēdējo asi.
veids: {ātri kārtot, šķirot kaudzēs, apvienot} (pēc izvēles)
Šis parametrs tiek izmantots, lai definētu šķirošanas algoritmu, un pēc noklusējuma kārtošana tiek veikta, izmantojot 'ātrā šķirošana' .
secība: str vai str saraksts (pēc izvēles)
Ja masīvs ir definēts ar laukiem, tā secība nosaka laukus salīdzinājuma veikšanai pirmajā, otrajā utt. Kā virkni var norādīt tikai vienu lauku un ne vienmēr visiem laukiem. Tomēr nenorādītie lauki joprojām tiks izmantoti tādā secībā, kādā tie parādās dtype, lai pārtrauktu saites.
masīva c virkne
Atgriež:
Šī funkcija atgriež sakārtotu avota masīva kopiju, kurai būs tāda pati forma un veids kā avota masīvam.
1. piemērs:
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
Izvade:
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]])
Iepriekš minētajā kodā
char uz virkni
- Mēs esam importējuši numpy ar aizstājvārdu np.
- Mēs esam izveidojuši daudzdimensiju masīvu 'x' izmantojot np.array() funkciju.
- Mēs esam deklarējuši mainīgo 'un' un piešķirta atgrieztā vērtība np.sort() funkciju.
- Mēs esam izturējuši ievades masīvu 'x' funkcijā.
- Visbeidzot, mēs mēģinājām izdrukāt vērtību 'un' .
Izvadā tas parāda tāda paša veida un formas avota masīva sakārtotu kopiju.
2. piemērs:
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
Izvade:
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])
3. piemērs:
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
Izvade:
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]])
4. piemērs:
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
Izvade:
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'),>