看起来按单列对 numpy 结构化和记录数组进行排序比对类似的独立数组进行排序要慢得多:
In [111]: a = np.random.rand(1e4)
In [112]: b = np.random.rand(1e4)
In [113]: rec = np.rec.fromarrays([a,b])
In [114]: timeit rec.argsort(order='f0')
100 loops, best of 3: 18.8 ms per loop
In [115]: timeit a.argsort()
1000 loops, best of 3: 891 µs per loop
使用结构化数组略有改进，但并不显着:
In [120]: struct = np.empty(len(a),dtype=[('a','f8'),('b','f8')])
In [121]: struct['a'] = a
In [122]: struct['b'] = b
In [124]: timeit struct.argsort(order='a')
100 loops, best of 3: 15.8 ms per loop
这表明从 argsort 创建索引数组然后使用它重新排序各个数组可能会更快。这没关系，除了我希望处理非常大的数组并且希望尽可能避免复制数据。有没有一种我缺少的更有效的方法？
最佳答案
让你变慢的是 order 的使用，而不是你有一个记录数组的事实。如果要按单个字段排序，请按如下方式进行:
In [12]: %timeit np.argsort(rec['f0'])
1000 loops, best of 3: 829 us per loop
一旦使用了 order，无论您要按多少字段排序，性能都会下降:
In [16]: %timeit np.argsort(rec, order=['f0'])
10 loops, best of 3: 27.9 ms per loop
In [17]: %timeit np.argsort(rec, order=['f0', 'f1'])
10 loops, best of 3: 28.4 ms per loop
关于python - 对 numpy 结构化和记录数组进行排序非常慢，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/19682521/