Python,Numpy,Pandas…数据科学家必备排序技巧!

关注

原创最新推荐文章于 2026-03-25 01:16:26 发布 378 阅读 AI 写同款· GEO 优化 ›

Python Pandas 实现数据排序的多种方式数据排序是数据分析中最基础也是最重要的操作之一。在Python的数据分析生态中，Pandas库提供了强大而灵活的数据排序功能。理解不同排序方法的适用场景掌握基本到高级的排序技巧学会处理特殊排序需求优化大规模数据集的排序性能基本单列排序多列复合排序索引排序自定义排序规则分类数据排序大规模数据排序优化实际应用案例DataFrame: Pandas中的二维表格数据结构Series: Pandas中的一维数组结构索引(Index) 阅读详情

对数据进行分类整理是数据科学家和数据工程师的基础工作。Python会提供许多内置库，优化排序选项。有些库甚至可以同时在GPU上运行。令人惊奇的是，一些排序方法并没有使用之前所述的算法类型，其他方法的执行效果也不如预期。

选择使用哪种库和哪类排序算法着实难办，因为算法的执行变化很快。本文将具体展开讲解，提供一些帮助记忆算法的技巧，分享测速的结果。

分好类的茶

Python资源共享群：626017123

开始排序吧!

更新于2019年7月17日：速度测试结果现在包括PyTorch和TensorFlow的GPU执行。TensorFlow还包括tensorflow==2.0.0-beta1和tensorflow-gpu==2.0.0-beta1下的CPU结果。令人感到惊奇的发现是：PyTorch GPU变亮的速度更快，TensorFlow GPU比TensorFlow CPU速度更慢。

有许多不同的基本排序算法。有些比其他执行速度更快、占用内存更小。有些适合处理大数据，还有些可以更好地对特定序列数据进行排排序。可参见下表了解许多常用算法的时间和空间复杂性。

图片来自 http://bigocheatsheet.com/

了解基础的算法并不能解决大多数数据科学问题。事实上，过早的优化处理说不定什么时候就会被视为错误源泉。不过需要重复排序大量数据时，知道使用哪个库和哪些关键字参数会十分有用。以下是一个备忘表。

Google表格可 在此处获取

多年来，许多库的排序算法都发生了变化。用于本文分析的软件版本如下。

python 3.6.8
numpy 1.16.4
pandas 0.24.2
tensorflow==2.0.0-beta1
#tensorflow-gpu==2.0.0-beta1 slows sorting
pytorch 1.1

让我们从基础开始吧!

Python (vanilla版)

Python包含两个内置排序法。

my_list.sort()对原有列表进行排序。改变了列表。sort()返回None。
sorted(my_list)生成任何可迭代的排序副本。sorted()返回已排序的迭代。sort()不会改变原始迭代。

sort()应该更快，因为已到位。神奇的是这不是下面测试中的发现。就地排序更危险，因为会改变原始数据。

香草味冰激凌

说到vanilla版Python，本文呈现的默认排序顺序都是升序—从小到大。大多数排序方法采用关键字参数，将顺序切换为降序。对大脑来说很不幸，因为每个库的参数名称都不同。

要将vanilla Python中排序方式更改为降序，通过reverse = True.

key可以作为关键字参数来传递，从而创建自己的排序标准。例如，sort(key = len)将按照每个列表项的长度排序。

Vanilla Python中唯一使用的排序算法是Timsort。Timsort会根据要排序的数据特征选择排序方法。举个例子，如果排短列表，就采用插入排序。

Timsort以及Vanilla Python的其他算法都很稳定。这意味着如果有多个相同值，这些数据在排序后仍维持原始顺序。

想要记住sort()与sorted()不同，就记着sorted比sort单词长，并且因复制需要排序时间会更长。虽然下面的结果与传统观念相悖，但助记符仍然起作用。

NumPy

Numpy是用于科学计算的Python基础库。与vanilla Python一样，有两种执行方式，一种是变异数组，另一种是数据的复制。

my_array.sort()改变有序数组并返回已排序数组。
np.sort(my_array)返回已排序数组的副本，因此原始数组不会改变。

以下是可选参数。

axis：int，可选—要排序的轴。默认值为-1，表示沿最后一个轴排序。
kind：{'quicksort'，'mergesort'，'heapsort'，'stable'}，可选—排序算法。默认为'quicksort'。详细信息如下。
order：str或str的列表，可选—当a是已定义字段的数组时，该参数会指定首先比较哪一字段，其次是哪个等等。可以指定单个字段为字符串，而且不是所有字段都需指定，不过仍需按照未指定字段在dtype中的顺序执行，打破联系。

现在，人们使用的排序算法与根据名字联想的略有不同。通过kind = quicksort意味着排序实际是从introsort算法开始的。

若[它]没有明显进展，则会切换成堆排序算法。执行该操作最坏的情况就是产生快速排序O(n * log(n))。Stable会自动为正在排序的数据类型选择最稳定的排序算法。目前依据数据类型，它与合并排序一起映射到tim排序或基数排序中。API前向兼容性目前抑制了选择执行的能力，并且是不同数据类型的硬连线。添加Timsort是为了更好地处理已完成或几乎排好序的数据。对于随机数据，timsort在处理方式上几乎与mergesort相同。现在timsort用于稳定排序，而在没有其他选择的情况下，quicksort仍为默认排序...'mergesort'和'stable'会映射到整数数据类型的基数排序。来自Numpy文档 -(部分内容有改动)

其中一点是Numpy提供了比vanilla Python排序算法选项更大的控制范围。第二点是kind关键字值不一定与实际排序类型相对应。最后一点是mergesort和stable值是稳定的，但quicksort和heapsort不是。

Numpy排序是列表中唯一没有用关键字参数来反转排序顺序的操作。幸运的是，这个可快速反转数组顺序：my_arr [:: -1]。

Numpy算法选项在更受欢迎的Pandas中也适用—而且这些功能更容易保持稳定。

Pandas

通过df.sort_values(by = my_column)对Pandas DataFrame进行排序。有许多可用关键字参数。

by：str或str of list，required—要排序的名称或名称列表。如果axis为0或index，那by可能会有索引级别和/或列标签。如果axis为1或columns，则by可能含级别和/或索引标签。
axis：{0或index，1或columns}，默认为0—排序轴。
ascending：bool或bool列表，默认为True—按升序与降序排序。指定多个排序顺序的列表。如果是bool列表，就必须与by参数长度匹配。
inplace：bool，默认为False—如果为True，则直接对其执行操作。
kind：{quicksort，mergesort，heapsort或stable}，默认快速排序—选择排序算法。可另参见ndarray.np.sort了解更多内容。对于DataFrames，此法仅应用于单列或单标签的排序。
na_position：{‘first’，‘last’}，默认‘last’ - 首先以NaNs作为开头，最后将NaNs作为结尾。

按照相同的句法对Pandas系列进行排序。用Series时，不需要输入by关键字，因为列不多。

Pandas用到了Numpy计算法，动动手指即可轻松获得同等优化的排序选项。但是，Pandas操作需要更多的时间。

按单列排序时的默认设置是Numpy的quicksort。如果排序进度很慢，那么实际为内省排序的quicksort会变为堆排序。Pandas确保多列排序使用Numpy的mergesort。Numpy中的mergesort实际用的是Timsort和Radix排序算法。这些排序算法都很稳定，而且多数列排序中稳定排序是很有必要的。

使用Pandas需记住的关键内容：

函数名称：sort_values()。
by= column_name或列名列表。
“ ascending”是逆转的关键字。
用mergesort进行稳定排序。

在进行探索性数据分析时，常发现自己是用Series.value_counts()在Pandas DataFrame中对值进行求和排序的。这是一个代码片段，用于每列常用值的求和和排序。

for c in df.columns:  
print(f"---- {c} ---")  
print(df[c].value_counts().head())

Dask，实际上是用于大数据的Pandas，到2019年中期还没有实现并行排序，尽管大家一直在讨论这个。

对小数据集进行探索性数据分析，Pandas排序是个不错的选择。当数据很大，想要在GPU上并行搜索时，你也许会想到TensorFlow或PyTorch。

TensorFlow

TensorFlow是最受欢迎的深度学习框架。以下是TensorFlow 2.0的简介。

tf.sort(my_tensor)返回tensor排序副本。可选参数有：

axis：{int，optional}待排序轴。默认值为-1，对最后一个轴进行排序。
direction：{ascending or descending}—数值排序的方向。
name：{str，optional}—操作的名称。

tf.sort在幕后使用top_k()方法。top_k使用CUB库的CUDA GPU促使并行性更容易实现。正如文档所述“CUB为CUDA编程模型的每一项程序都提供了最先进、可重复利用的软件组件。”TensorFlow通过CUB在GPU上使用基数排序。

为了使GPU能够满足TensorFlow 2.0，你需要!pip3 install tensorflow-gpu==2.0.0-beta1。我们会从下面的评论看到，如果你要进行排序，你可能想坚持tensorflow==2.0.0-beta1。

使用下面一小段代码来检查代码的每一行是否都能在CPU 或GPU中运行：

tf.debugging.set_log_device_placement(True)

为了详述你想要使用GPU,使用下面代码：

with tf.device('/GPU:0'):  
%time tf.sort(my_tf_tensor)

使用 with tf.device('/CPU:0'):为了使用CPU。

假如在TensorFlow中工作，tf.sort()是非常直观的记忆和使用方法。只需记住direction = descending可转换排序顺序。

PyTorch

torch.sort(my_tensor)返回tensor排序副本。可选参数有：

dim：{int，optional} - 待排序维度
descending：{bool，optional} - 控制排序顺序(升序或降序)。
out：{tuple，optional} - (Tensor，LongTensor)的输出元组，可以作为输出缓冲区。

通过将.cuda()粘贴到张量的末尾来指定要使用GPU进行排序。

gpu_tensor=my_pytorch_tensor.cuda()  
%time torch.sort(gpu_tensor)

一些分析表明，如果任何大于100万行乘以100,000列的数据集要排序，PyTorch将通过Thrust利用分段式并行排序。

不幸的是，当我们试图通过Google Colab中的Numpy创建1.1M x 100K随机数据点时，发现内存已不足。然后尝试了416 MB RAM的GCP，依旧没有内存。

分段排序和位置排序是mergesort的高性能体现，处理非均匀随机数据。分段排序使我们能够并行排序许多长度可变数组。 https://moderngpu.github.io/segsort.html

Thrust作为并行算法库，实现了GPU与多核CPU之间的联系。提供了排序原语，可自动选择最有效的执行方式。TensorFlow使用的CUB库会用来包装Thrust。PyTorch和TensorFlow在操作时GPU分类法相似 - 无论选择何种。

与TensorFlow一样，PyTorch的排序方法记起来相当容易：torch.sort()。唯一费脑子的是排序值的方向：TensorFlow使用direction，而PyTorch使用descending。

虽然用GPU进行排序对于非常大的数据集来说可能是一个很好的选择，但直接在SQL中对数据进行排序也是可以的。

SQL

SQL中的排序通常非常快，特别是在内存中执行时。

SQL很规范，但没有规定某操作必须使用哪种排序算法。Postgres使用磁盘合并排序，堆排序或快速排序，视情况而定。如果内存够，在内存中排序会更快。通过work_mem设置增加排序的可用内存。

其他SQL的执行使用不同排序算法。例如，根据Stack Overflow的回答，谷歌BigQuery的内省排序采取了一些措施。

SQL中的排序由ORDER BY命令执行。这种句法不同于所有使用单词sort的Python排序执行。其实更容易记住SQR语句与ODER BY，因为非常独特。

为使排序降序，请用关键字DESC。因此，按字母顺序从最后一个到第一个反馈给客户的查询如下所示：

SELECT Names FROM Customers
ORDER BY Names DESC;

比较

对于上面的每个Python库，我们对wall time进行了分析，以便在单列，单数组或单列表中对相同的1,000,000个数据点进行排序。同时使用了配有T4 GPU的Google Colab Jupyter笔记本。

数据来源: https://colab.research.google.com/drive/1NNarscUZHUnQ5v-FjbfJmB5D3kyyq9Av

观察

对于Numpy和Pandas，inplace比复制数据更快。这并不奇怪。
Pandas默认快速排序相当快。
大多数Pandas功能相对较慢。
TensorFlow操作相当快。
Python inplace排序慢得出奇。比Numpy inplace mergesort和TensorFlow慢了10倍。曾多次对其进行测试(使用不同的数据)来确认这不是一个异常现象。

重申，这只是一个小测试。绝对不是决定性的。

Wrap

通常不需要自定义排序。选择很多。一般不会采用单一的排序方法。相反，首先对数据进行评估，然后用效果更好的排序算法。如果排序进展不快，执行操作时也会自行改变算法。

在本文中，你已经了解了如何在Python数据科学堆和SQL中的每个板块里进行排序。

只需要记住选择哪个选项以及如何调用它们。可用上面的备忘表，节省时间。大致建议如下：