在python中对大量数组进行排序的最快方法

Question

我正在尝试在 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对数组进行排序的索引，那就太好了。

这就是为什么，到目前为止，我正在使用 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大约需要 15 分钟。

谁能告诉我在 Python 中执行此操作的更快方法？

谢谢

编辑：

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

对于像您对部分排序索引感兴趣的情况，有NumPy's argpartition。

你有麻烦的np.argsort：w[np.argsort(z)[::-1]][:7]，本质上是w[idx]，其中idx = np.argsort(z)[::-1][:7]。

所以，idx 可以用 np.argpartition 计算，就像这样 -

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

-z 是必需的，因为默认情况下np.argpartition 尝试按升序获取排序索引。所以，为了 reverse 它，我们已经否定了元素。

因此，对原始代码的建议更改为：

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 不会对变量进行类型转换（即 int、string、float），因此每次比较确定哪个值更大的部分都用于确定变量类型。

你不能单独使用 python 解决这个问题，但是你可以使用 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）。 http://docs.cython.org/src/quickstart/cythonize.html 上有一个简单的例子来说明它是如何工作的

Cython 编译您的 python 文件的 .c 版本，可以导入该文件而不是 .py 以减少运行时间。使用 cython 编译的所有可能方式都显示在 http://docs.cython.org/src/reference/compilation.html

Answer 3

您的输入和输出有点混乱。请提供一些示例数据。

但请查看：http://pandas.pydata.org/pandas-docs/stable/api.html#reshaping-sorting-transposing Pandas 排序已尽可能优化。专注于系列排序，因为 DataFrame 的每一列都更准确地表示为系列。