通过一列进行Python矩阵排序

我有一个nx2的整数矩阵。第一列是一个系列0,1，-1,2，-2，但是它们是按照从组成矩阵编译而来的顺序排列的。第二列是另一个列表中的索引列表

data[np.argsort(data[:, 0])]

我想通过第二列对矩阵进行排序。这相当于在Excel中选择两列数据，并通过B列进行排序（其中数据位于A列和B列）。请记住，每行第一列中的相邻数据应与其对应的第二列保持一致。我使用以下方法研究了解决方案：

data[np.argsort(data[:, 0])]

但这似乎不起作用。所讨论的矩阵如下所示：

data[np.argsort(data[:, 0])]

matrix([[1, 1],
        [1, 3],
        [1, 7],
        ..., 
        [2, 1021],
        [2, 1040],
        [2, 1052]])

您可以使用：

data[np.argsort(data[:, 0])]

lexsort（键，轴=-1）

data[np.argsort(data[:, 0])]

使用一系列键执行间接排序

data[np.argsort(data[:, 0])]

给定多个排序键，这些排序键可以解释为 电子表格，lexsort返回一个整数索引数组 按多列描述排序顺序

data[np.argsort(data[:, 0])]

---

注意：如果将多个键传递给

np.lexsort

，则最后一个键是主键。倒数第二个键是第二个键，依此类推

data[np.argsort(data[:, 0])]

---

如上所述，使用

np.lexsort

需要使用临时数组，因为

np.lexsort

不适用于numpy矩阵。自从

temp=data.view（np.ndarray）

创建一个视图，而不是数据的副本，它不需要太多额外的内存。但是,

data[np.argsort(data[:, 0])]

temp[np.lexsort((temp[:, 1], ))]

是一个新阵列，它确实需要更多内存

data[np.argsort(data[:, 0])]

还有一种方法可以按在位列进行排序。其思想是将数组视为具有两列的结构化数组。与普通Ndarray不同，结构化数组有一个

排序

方法，允许您将列指定为键：

data[np.argsort(data[:, 0])]

In [65]: data.dtype
Out[65]: dtype('int32')

In [66]: temp2 = data.ravel().view('int32, int32')

In [67]: temp2.sort(order = ['f1', 'f0'])

请注意，由于

temp2

是

数据的视图，因此它不需要分配新内存和复制阵列。此外，排序
temp2
同时修改
数据
：

data[np.argsort(data[:, 0])]

In [69]: data
Out[69]: 
matrix([[1, 0],
        [3, 2],
        [5, 4],
        [7, 6],
        [9, 8]])

您可以使用：

data[np.argsort(data[:, 0])]

lexsort（键，轴=-1）

data[np.argsort(data[:, 0])]

使用一系列键执行间接排序

data[np.argsort(data[:, 0])]

给定多个排序键，这些排序键可以解释为
电子表格，lexsort返回一个整数索引数组
按多列描述排序顺序

data[np.argsort(data[:, 0])]


注意：如果将多个键传递给
np.lexsort
，则最后一个键是主键。倒数第二个键是第二个键，依此类推

data[np.argsort(data[:, 0])]


如上所述，使用
np.lexsort
需要使用临时数组，因为
np.lexsort
不适用于numpy矩阵。自从
temp=data.view（np.ndarray）
创建一个视图，而不是数据的副本，它不需要太多额外的内存。但是,

data[np.argsort(data[:, 0])]

temp[np.lexsort((temp[:, 1], ))]

是一个新阵列，它确实需要更多内存

data[np.argsort(data[:, 0])]

还有一种方法可以按在位列进行排序。其思想是将数组视为具有两列的结构化数组。与普通Ndarray不同，结构化数组有一个
排序
方法，允许您将列指定为键：

data[np.argsort(data[:, 0])]

In [65]: data.dtype
Out[65]: dtype('int32')

In [66]: temp2 = data.ravel().view('int32, int32')

In [67]: temp2.sort(order = ['f1', 'f0'])

请注意，由于
temp2
是
数据的视图，因此它不需要分配新内存和复制阵列。此外，排序
temp2
同时修改
数据
：

data[np.argsort(data[:, 0])]

In [69]: data
Out[69]: 
matrix([[1, 0],
        [3, 2],
        [5, 4],
        [7, 6],
        [9, 8]])

你的想法是对的，只差几个字：

data[np.argsort(data[:, 0])]

>>> import numpy as np
>>> data = np.matrix([[9, 8],
...                   [7, 6],
...                   [5, 4],
...                   [3, 2],
...                   [1, 0]])
>>> data[np.argsort(data.A[:, 1])]
matrix([[1, 0],
        [3, 2],
        [5, 4],
        [7, 6],
        [9, 8]])

你的想法是对的，只差几个字：

data[np.argsort(data[:, 0])]

>>> import numpy as np
>>> data = np.matrix([[9, 8],
...                   [7, 6],
...                   [5, 4],
...                   [3, 2],
...                   [1, 0]])
>>> data[np.argsort(data.A[:, 1])]
matrix([[1, 0],
        [3, 2],
        [5, 4],
        [7, 6],
        [9, 8]])

谢谢堆@unutbu你的a星！我看第二个解决方案是最好的这一个正是我想要的：）再次感谢Hanks heaps@unutbu你的a星！我认为第二种解决方案是最好的，这正是我想要的：）再次感谢Hanks使用此方法@Bi Rico；）进行澄清感谢使用此方法@Bi Rico；）进行的澄清