mars.tensor.sort#

mars.tensor.sort(a, axis=-1, kind=None, parallel_kind=None, psrs_kinds=None, order=None, return_index=False, **kw)[来源]#

返回一个排序后的张量副本。

Parameters

  • a (array_like) – 要排序的张量。

  • axis (int 或 None, 可选) – 用于排序的轴。如果为 None，则在排序之前将张量展平。默认值为 -1，它沿最后一个轴进行排序。

  • kind ({'quicksort', 'mergesort', 'heapsort', 'stable'}, optional) – 排序算法。默认值是‘quicksort’。注意，‘stable’和‘mergesort’在底层使用了timsort或基数排序，并且，实际实现会随着数据类型而变化。保留‘mergesort’选项是为了向后兼容。 注意，如果a在排序轴上有超过1个块，这个参数将不起作用。

  • parallel_kind ({'PSRS'}, 可选) – 并行排序算法，详情请参见： http://csweb.cs.wfu.edu/bigiron/LittleFE-PSRS/build/html/PSRSalgorithm.html

  • psrs_kinds (包含 3 个元素的列表, 可选) – PSRS 算法中的排序算法。

  • order (str 或 list of str, 可选) – 当 a 是一个具有定义字段的张量时，此参数指定 首先比较哪些字段，其次比较哪些字段等。可以 将单个字段指定为字符串，并且并非所有字段都需要指定， 但未指定的字段仍将被使用，按它们在 dtype 中出现的顺序来打破平局。

  • return_index (bool) – 如果为真，则返回索引。

Returns

sorted_tensor - 与 a 具有相同类型和形状的张量。

Return type

张量

另请参阅

Tensor.sort

在原位排序张量的方法。

argsort

间接排序。

lexsort

对多个关键字进行间接稳定排序。

searchsorted

在排序张量中查找元素。

partition

部分排序。

备注

各种排序算法的特点包括它们的平均速度、最坏情况性能、工作空间大小，以及它们是否稳定。稳定排序保持具有相同键的项目在相同的相对顺序中。在NumPy中实现的四种算法具有以下属性：

种类

速度

最坏情况

工作空间

稳定性

‘quicksort’

1

O(n^2)

0

否

‘heapsort’

3

O(n*log(n))

0

不

‘mergesort’

2

O(n*log(n))

~n/2

是

‘timsort’

2

O(n*log(n))

~n/2

是

注意

数据类型决定了实际上使用的是“mergesort”还是“timsort”，即使指定了“mergesort”。用户在更细的层面上的选择目前不可用。

所有的排序算法在沿着除最后一个轴之外的任何轴进行排序时都会对数据进行临时复制。因此，沿着最后一个轴进行排序比沿着任何其他轴进行排序更快且占用更少的空间。

复数的排序顺序是字典序。如果实部和虚部都不是NaN，则顺序由实部决定，除非它们相等，在这种情况下顺序由虚部决定。

快速排序已更改为内省排序，当进展不足时会切换到堆排序。这使得它的最坏情况为 O(n*log(n))。

‘stable’ 自动选择最适合当前数据类型的稳定排序算法。 它与 ‘mergesort’ 一起，目前映射为 timsort 或基数排序，具体取决于数据类型。 API 向前兼容性目前限制了选择实现的能力，并且对于不同的数据类型是硬编码的。

Timsort 被添加以改善已排序或接近排序数据的性能。在随机数据上，timsort 与归并排序几乎相同。现在，它被用于稳定排序，而快速排序仍然是默认排序，如果没有选择其他排序。有关 timsort 的详细信息，请参阅 CPython listsort.txt。‘mergesort’ 和 ‘stable’ 被映射到整数数据类型的基数排序。基数排序是 O(n) 排序，而不是 O(n log n)。

示例

>>> import mars.tensor as mt
>>> a = mt.array([[1,4],[3,1]])
>>> mt.sort(a).execute()                # sort along the last axis
array([[1, 4],
       [1, 3]])
>>> mt.sort(a, axis=None).execute()     # sort the flattened tensor
array([1, 1, 3, 4])
>>> mt.sort(a, axis=0).execute()        # sort along the first axis
array([[1, 1],
       [3, 4]])

使用order关键字来指定在排序结构数组时使用的字段：

>>> dtype = [('name', 'S10'), ('height', float), ('age', int)]
>>> values = [('Arthur', 1.8, 41), ('Lancelot', 1.9, 38),
...           ('Galahad', 1.7, 38)]
>>> a = mt.array(values, dtype=dtype)       # create a structured tensor
>>> mt.sort(a, order='height').execute()                
array([('Galahad', 1.7, 38), ('Arthur', 1.8, 41),
       ('Lancelot', 1.8999999999999999, 38)],
      dtype=[('name', '|S10'), ('height', '<f8'), ('age', '<i4')])

按年龄排序，如果年龄相同，则按身高排序：

>>> mt.sort(a, order=['age', 'height']).execute()       
array([('Galahad', 1.7, 38), ('Lancelot', 1.8999999999999999, 38),
       ('Arthur', 1.8, 41)],
      dtype=[('name', '|S10'), ('height', '<f8'), ('age', '<i4')])