NumPy数组排序与集合运算详解
本文详细介绍NumPy数组的排序方法与集合运算技巧。通过sort与np.sort的区别、axis参数应用及分位数计算，解析排序核心用法；结合unique、intersect1d、union1d等函数，演示集合去重、交集、并集及差集操作，助力高效数据处理。
此处提供NumPy数组的相关介绍链接：https://www.jb51.net/article/130657.htm
排序
NumPy数组的排序功能与Python列表内置方法类似，均可通过sort方法进行排序操作。
具体用法如下：
In [1]: import numpy as np
In [2]: x = np.random.randn(9)
In [3]: x
Out[3]:
array([-0.4041504 , -0.42198556, 0.92807217, -2.66609196, 1.50915897,
0.38080873, 1.05325796, -1.16488798, 0.04062064])
In [4]: x.sort()
In [5]: x
Out[5]:
array([-2.66609196, -1.16488798, -0.42198556, -0.4041504 , 0.04062064,
0.38080873, 0.92807217, 1.05325796, 1.50915897])
观察上述代码可知，sort方法直接对变量x进行了原地排序，并未创建新的副本。
相比之下，np.sort()作为顶级函数，会返回一个排序后的副本，而不修改原数组。
In [6]: x = np.random.randn(6)
In [7]: x
Out[7]:
array([ 0.14240205, 0.48903869, 0.22528632, 1.31659382, 0.00352338,
0.95574862])
In [8]: np.sort(x)
Out[8]:
array([ 0.00352338, 0.14240205, 0.22528632, 0.48903869, 0.95574862,
1.31659382])
In [9]: x
Out[9]:
array([ 0.14240205, 0.48903869, 0.22528632, 1.31659382, 0.00352338,
0.95574862])
传入轴编号（axis参数），即可实现在指定轴向上进行排序操作。
In [34]: x = np.random.randn(5,4)
In [35]: x
Out[35]:
array([[-0.26646799, -0.40714749, -0.76788268, -0.25340467],
[ 0.70099086, -0.88716684, 0.13461279, 2.14412835],
[ 0.39718924, -0.14671297, -0.67821163, 1.85798273],
[-0.29389289, 0.0346094 , 0.25213133, 0.87105479],
[-0.10797243, 1.60188878, 0.67829493, 0.43291808]])
In [36]: s = x
In [37]: s.sort(0)#按列进行排序
In [38]: s
Out[38]:
array([[-0.29389289, -0.88716684, -0.76788268, -0.25340467],
[-0.26646799, -0.40714749, -0.67821163, 0.43291808],
[-0.10797243, -0.14671297, 0.13461279, 0.87105479],
[ 0.39718924, 0.0346094 , 0.25213133, 1.85798273],
[ 0.70099086, 1.60188878, 0.67829493, 2.14412835]])
In [39]: x
Out[39]:
array([[-0.29389289, -0.88716684, -0.76788268, -0.25340467],
[-0.26646799, -0.40714749, -0.67821163, 0.43291808],
[-0.10797243, -0.14671297, 0.13461279, 0.87105479],
[ 0.39718924, 0.0346094 , 0.25213133, 1.85798273],
[ 0.70099086, 1.60188878, 0.67829493, 2.14412835]])
In [40]: x = np.random.randn(5,4)
In [41]: x
Out[41]:
array([[ 0.82309157, -0.56413805, -0.1766557 , -0.31924962],
[-1.25606694, 2.63622922, 2.47481377, 0.27840961],
[ 0.63659583, 1.52779004, -0.90582752, 0.82325241],
[-1.52664294, -0.5285837 , -1.96380368, -0.44323125],
[ 1.94859294, 2.55676806, 1.53614848, -0.43366557]])
In [42]: x.sort(1)#按行进行排序
In [43]: x
Out[43]:
array([[-0.56413805, -0.31924962, -0.1766557 , 0.82309157],
[-1.25606694, 0.27840961, 2.47481377, 2.63622922],
[-0.90582752, 0.63659583, 0.82325241, 1.52779004],
[-1.96380368, -1.52664294, -0.5285837 , -0.44323125],
[-0.43366557, 1.53614848, 1.94859294, 2.55676806]])
在此尝试将x赋值给s，结果发现对s进行排序后，x也随之改变。这表明在内存中，s与x指向同一组数据。
若尝试执行s.sort(2)，则会抛出ValueError: axis (=2) out of bounds错误，这与前述统计函数中axis参数的行为一致。
由此可见，sort方法的axis参数用法与其他NumPy函数保持一致。
利用排序功能，我们还可以获取分位数（
分位数（Quantile），又称分位点，指将随机变量的概率分布范围划分为若干等份的数值点，常用类型包括中位数（二分位数）、四分位数、百分位数等。具体细节可自行搜索了解），从而得到特定位置的值。
In [44]: x = np.random.randn(500) In [45]: x.sort() In [46]: x[int(0.05 * len(x))] #5%分位数 Out[46]: -1.7657191623368329
此外还有许多未深入探讨的功能，例如如何实现降序排列，后续内容待续。
集合运算
unique(x)函数返回集合中的唯一值并自动排序，其作用等同于去除重复值。
In [1]: import numpy as np In [2]: str = np.array(['s','f','r','s','d','f','w','r']) In [3]: np.unique(str) Out[3]: array(['d', 'f', 'r', 's', 'w'], dtype='<U1') In [4]: i = np.array([2,2,2,2,1,1,3,4,5,4,3,5]) In [5]: np.unique(i) Out[5]: array([1, 2, 3, 4, 5])
intersect1d(x,y)返回集合A与B的交集，并对结果进行排序。
In [6]: k = np.arange(8) In [7]: np.intersect1d(i, k) Out[7]: array([1, 2, 3, 4, 5])
union1d(x,y)返回集合A与B的并集，同样对结果进行排序。
In [8]: np.union1d(i,k) Out[8]: array([0, 1, 2, 3, 4, 5, 6, 7])
in1d(x,y)返回一个布尔型数组，指示A中的元素是否包含于B中。
In [10]: np.in1d(k,i) Out[10]: array([False, True, True, True, True, True, False, False], dtype=bool)
setdiff1d(x,y)计算集合的差集，即属于A但不属于B的元素，逻辑上相当于A减去(A与B的交集)。
In [12]: np.setdiff1d(k,i) Out[12]: array([0, 6, 7])
setxor1d(x,y)存在于A中但不同时存在于B中，也就是对称差，说白了就是A和B交集之外的部分。
这对应于图示中的红色部分。
In [13]: s = np.arange(4,12) In [14]: s Out[14]: array([ 4, 5, 6, 7, 8, 9, 10, 11]) In [15]: np.setxor1d(s,k) Out[15]: array([ 0, 1, 2, 3, 8, 9, 10, 11])
总结
以上为本文关于NumPy排序与集合运算用法示例的全部内容，希望有所帮助。感兴趣的朋友可继续参阅本站其他相关专题，如有不足之处，欢迎留言指正。感谢朋友们对本站的支持！
免责声明：本文内容仅供参考，不代表本站观点。转载或引用请注明出处。
