Question

我试图在python中对大量数组进行排序。我需要一次对超过1100万个数组进行排序。

另外，如果我可以直接获取将对数组进行排序的索引，那就太好了。

这就是为什么，截至目前我使用的是numpy.argsort（），但这在我的机器上太慢了（需要一个多小时才能运行）

R中的相同操作在同一台机器上花费大约15分钟。

有人能用Python更快地告诉我吗？

由于

修改：

添加示例

如果我有以下数据框：

agg:

x      y        w        z  

1      2        2        5                 
1      2        6        7         
3      4        3        3        
5      4        7        8    
3      4        2        5    
5      9        9        9

我正在运行以下函数和命令：

def fucntion(group):
    z = group['z'].values   
    w = group['w'].values 
    func = w[np.argsort(z)[::-1]][:7]  #i need top 7 in case there are many  
    return np.array_str(func)[1:-1]

output = agg.groupby(['x,'y']).apply(function).reset_index()

所以我的输出数据框将如下所示：

output:

x   y   w   

1   2   6,2    
3   4   2,3    
5   4   7    
5   9   9

Answer 1

对于那些您对部分排序索引感兴趣的案例，有NumPy's argpartition。

您遇到了麻烦np.argsort：w[np.argsort(z)[::-1]][:7]，基本上是w[idx]，其中idx = np.argsort(z)[::-1][:7]。

因此，idx可以使用np.argpartition计算，就像这样 -

idx = np.argpartition(-z,np.arange(7))[:7]

需要-z，因为默认情况下np.argpartition会尝试按升序排序索引。所以，要反转它，我们已经否定了元素。

因此，原始代码的建议更改将是：

func = w[np.argpartition(-z,np.arange(7))[:7]]

运行时测试 -

In [162]: z = np.random.randint(0,10000000,(1100000)) # Random int array

In [163]: idx1 = np.argsort(z)[::-1][:7]
     ...: idx2 = np.argpartition(-z,np.arange(7))[:7]
     ...: 

In [164]: np.allclose(idx1,idx2) # Verify results
Out[164]: True

In [165]: %timeit np.argsort(z)[::-1][:7]
1 loops, best of 3: 264 ms per loop

In [166]: %timeit np.argpartition(-z,np.arange(7))[:7]
10 loops, best of 3: 36.5 ms per loop

Answer 2

python比R慢得多的原因是python没有对变量进行类型转换（即int，string，float），因此确定变量类型所花费的每个比较的一部分来确定哪个值更大。

你不能单独使用python解决这个问题，但你可以使用cython包含类型定义（ctypes和psyco也可以执行相同的功能，但我更喜欢cython）。有关其工作原理的简单示例位于http://docs.cython.org/src/quickstart/cythonize.html

Cython编译你的python文件的.c版本，可以导入而不是.py来减少运行时。使用cython进行编译的所有可能方法都显示在http://docs.cython.org/src/reference/compilation.html

上

Answer 3

您的输入和输出有点令人困惑。请提供一些示例数据。

但请看：http://pandas.pydata.org/pandas-docs/stable/api.html#reshaping-sorting-transposing Pandas排序是最优化的。关注系列排序，因为DataFrame的每一列都更准确地表示为系列。

在python中对大量数组进行排序的最快方法

3 个答案: