Python,Numpy,Pandas…数据科学家必备排序技巧

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

（编辑：晋中站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!