如何按列对nx3 numpy数组进行排序，但它会记住该行中的数据？

对于一个nx3的numpy数组，可以使用numpy的argsort函数按列进行排序，并利用numpy的切片功能实现记录该行中的数据。

具体步骤如下：

导入numpy库：

import numpy as np

创建一个nx3的numpy数组：

array = np.array([[2, 1, 3], [5, 4, 6], [8, 7, 9]])

使用argsort函数按列排序数组：

sorted_indices = np.argsort(array[:, 0])  # 按第一列排序，返回排序后的索引
sorted_array = array[sorted_indices]  # 根据索引重新排序数组

使用切片操作保留原始行数据：

sorted_array[:, 0] = array[:, 0]  # 保留第一列原始数据

最终，sorted_array中的数据按第一列进行排序，并且保留了原始行中的数据。

下面是以上操作的完整代码示例：

import numpy as np

array = np.array([[2, 1, 3], [5, 4, 6], [8, 7, 9]])

sorted_indices = np.argsort(array[:, 0])
sorted_array = array[sorted_indices]

sorted_array[:, 0] = array[:, 0]

print(sorted_array)

推荐的腾讯云相关产品和产品介绍链接地址：

腾讯云云服务器：提供高性能、稳定可靠、安全高效的云服务器，适用于各种应用场景。
腾讯云对象存储 COS：提供海量、安全、低成本的云存储服务，适用于存储和处理各种非结构化数据。
腾讯云人工智能：提供丰富的人工智能服务，包括图像识别、语音识别、自然语言处理等，可应用于各行各业的智能化需求。
腾讯云区块链服务 TBCAS：提供安全、高效、易用的区块链服务，适用于各种场景，如供应链金融、溯源管理等。

注意：本回答所提供的是腾讯云的相关产品，其他品牌商的产品请自行参考其官方文档。

相关·内容

numpy与pandas

图解NumPy：常用函数的内在机制

NumPy 是一个基础软件库，很多常用的 Python 数据处理软件库都使用了它或受到了它的启发，包括 pandas、PyTorch、TensorFlow、Keras 等。理解 NumPy 的工作机制能够帮助你提升在这些软件库方面的技能。而且在 GPU 上使用 NumPy 时，无需修改或仅需少量修改代码。

《利用Python进行数据分析·第2版》附录A NumPy高级应用A.1 ndarray对象的内部机理A.2 高级数组操作A.3 广播A.4 ufunc高级应用A.5 结构化和记录式数组A.6 更多

在这篇附录中，我会深入NumPy库的数组计算。这会包括ndarray更内部的细节，和更高级的数组操作和算法。这章包括了一些杂乱的章节，不需要仔细研究。 A.1 ndarray对象的内部机理 NumPy的ndarray提供了一种将同质数据块（可以是连续或跨越）解释为多维数组对象的方式。正如你之前所看到的那样，数据类型（dtype）决定了数据的解释方式，比如浮点数、整数、布尔值等。 ndarray如此强大的部分原因是所有数组对象都是数据块的一个跨度视图（strided view）。你可能想知道数组视图arr[

关于 Numpy和Pandas axis的理解

先知维度在理解axis之前，我们应该理解维度的含义：通常的理解是：“点是0维、直线是1维、平面是2维、体是3维”。在机器学习中我们常常处理几十维的数据，对于机器学习常用的Numpy库，当我们赋予二维数组每一行一个值的时候，那么此时二维数组的列数就是多维空间的维度。每一行给的值通常是我们的样本值，它也是损失函数准确度的一个依据。 # 构造数组，该行列式给予样本值将变为4维空间 two = np.arange(9).reshape(3,3) two ------------- array([[0, 1

数据科学 IPython 笔记本 9.10 数组排序

到目前为止，我们主要关注使用 NumPy 访问和操作数组数据的工具。本节介绍与 NumPy 数组中的值的排序相关的算法。

KITTI数据集应用指南1：坐标转换

KITTI数据集是自动驾驶领域最知名的数据集之一。可以用来从事立体图像、光流估计、三维检测、三维跟踪等方面的研究。

NumPy学习笔记—(3/3)

在前面的小节中，我们学习了如何获取和修改数组的元素或部分元素，我们可以通过简单索引（例如arr[0]），切片（例如arr[:5]）和布尔遮盖（例如arr[arr > 0]）来实现。本节来介绍另外一种数组索引的方式，被称为高级索引。高级索引语法上和前面我们学习到的简单索引很像，区别只是它不是传递标量参数作为索引值，而是传递数组参数作为索引值。它能让我们很迅速的获取和修改复杂数组或子数组的元素值。

NumPy 1.26 中文官方指南（三）

这些文档阐明了 NumPy 中的概念、设计决策和技术限制。这是了解 NumPy 基本思想和哲学的好地方。

Pandas图鉴(四)：MultiIndex

Polars[2]是Pandas最近的转世（用Rust编写，因此速度更快，它不再使用NumPy的引擎，但语法却非常相似，所以学习 Pandas 后对学习 Polars 帮助非常大。

python数据科学系列：numpy入门详细教程

python数据科学基础库主要是三剑客：numpy，pandas以及matplotlib，每个库都集成了大量的方法接口，配合使用功能强大。平时虽然一直在用，也看过很多教程，但纸上得来终觉浅，还是需要自己系统梳理总结才能印象深刻。本篇先从numpy开始，对numpy常用的方法进行思维导图式梳理，多数方法仅拉单列表，部分接口辅以解释说明及代码案例。最后分享了个人关于axis和广播机制的理解。

Python代码搭建简单的神经网络

https://medium.com/technology-invention-and-more/how-to-build-a-simple-neural-network-in-9-lines-of-python-code-cc8f23647ca1

神经网络和深度学习(吴恩达-Andrew-Ng)：一二周学习笔记

机器学习: 机器学习研究的是计算机怎样模拟人类的学习行为，以获取新的知识或技能，并重新组织已有的知识结构使之不断改善自身。简单的说，就是计算机从数据中学习规律和模式，以应用在新数据上做预测的任务。

Numpy 修炼之道（12）—— genfromtxt函数

genfromtxt的唯一强制参数是数据的源。它可以是字符串，字符串列表或生成器。如果提供了单个字符串，则假定它是本地或远程文件或具有read方法的打开的类文件对象的名称，例如文件或StringIO.StringIO对象。如果提供了字符串列表或返回字符串的生成器，则每个字符串在文件中被视为一行。当传递远程文件的URL时，文件将自动下载到当前目录并打开。

初学者指南：利用SVD创建推荐系统

作者：Mayukh Bhattacharyya 翻译：老齐序言你是否有过这样的经历：前一天晚上登录Netflix，观看了《星际穿越》，他们会建议你看《地心引力》。或者你在亚马逊上购买了东西，看到

剖析源码讲解Numpy模块中的tile函数

tile函数的功能是重复某个数组。比如tile(A, reps)，它的作用就是把A重复reps次，这也可以理解为什么参数reps不能是float、string以及matrix类型，对于参数reps不能为float和string类型很好理解，这里不再赘述，后面将介绍为什么参数reps不能是matrix类型。

NumPy 秘籍中文第二版：七、性能分析和调试

调试是从软件中查找和删除错误的行为。分析是指构建程序的概要文件，以便收集有关内存使用或时间复杂度的信息。分析和调试是开发人员生活中必不可少的活动。对于复杂的软件尤其如此。好消息是，许多工具可以为您提供帮助。我们将回顾 NumPy 用户中流行的技术。

学习笔记 | 吴恩达之神经网络和深度学习

机器学习机器学习研究的是计算机怎样模拟人类的学习行为，以获取新的知识或技能，并重新组织已有的知识结构使之不断改善自身。简单的说，就是计算机从数据中学习规律和模式，以应用在新数据上做预测的任务。深度学习概念深度学习指的是训练神经网络，有时候规模很大。线性回归回归函数，例如在最简单的房价预测中，我们有几套房屋的面积以及最后的价格，根据这些数据来预测另外的面积的房屋的价格，根据回归预测，在以房屋面积为输入x，输出为价格的坐标轴上，做一条直线最符合这几个点的函数，将它作为根据面积预测价格的根据，这条线就是

Python数据分析（中英对照）·Slicing NumPy Arrays 切片 NumPy 数组

It’s easy to index and slice NumPy arrays regardless of their dimension,meaning whether they are vectors or matrices. 索引和切片NumPy数组很容易，不管它们的维数如何，也就是说它们是向量还是矩阵。 With one-dimension arrays, we can index a given element by its position, keeping in mind that indices start at 0. 使用一维数组，我们可以根据给定元素的位置对其进行索引，记住索引从0开始。 With two-dimensional arrays, the first index specifies the row of the array and the second index 对于二维数组，第一个索引指定数组的行，第二个索引指定行 specifies the column of the array. 指定数组的列。 This is exactly the way we would index elements of a matrix in linear algebra. 这正是我们在线性代数中索引矩阵元素的方法。 We can also slice NumPy arrays. 我们还可以切片NumPy数组。 Remember the indexing logic. 记住索引逻辑。 Start index is included but stop index is not,meaning that Python stops before it hits the stop index. 包含开始索引，但不包含停止索引，这意味着Python在到达停止索引之前停止。 NumPy arrays can have more dimensions than one of two. NumPy数组的维度可以多于两个数组中的一个。 For example, you could have three or four dimensional arrays. 例如，可以有三维或四维数组。 With multi-dimensional arrays, you can use the colon character in place of a fixed value for an index, which means that the array elements corresponding to all values of that particular index will be returned. 对于多维数组，可以使用冒号字符代替索引的固定值，这意味着将返回与该特定索引的所有值对应的数组元素。 For a two-dimensional array, using just one index returns the given row which is consistent with the construction of 2D arrays as lists of lists, where the inner lists correspond to the rows of the array. 对于二维数组，只使用一个索引返回给定的行，该行与二维数组作为列表的构造一致，其中内部列表对应于数组的行。 Let’s then do some practice. 然后让我们做一些练习。 I’m first going to define two one-dimensional arrays,called lower case x and lower case y. 我首先要定义两个一维数组，叫做小写x和小写y。 And I’m also going to define two two-dimensional arrays,and I’m going to denote them with capital X and capital Y. Let’s first see how we would access a single element of the array. 我还将定义两个二维数组，我将用大写字母X和大写字母Y表示它们。让我们先看看如何访问数组中的单个元素。 So just typing x square bracket 2 gives me the element located at position 2 of x. 所以只要输入x方括号2，就得到了位于x的位置2的元素。 I can also do slicing. 我也会做切片。 So

Pandas图鉴(一)：Pandas vs Numpy

Pandas[1]是用Python分析数据的工业标准。只需敲几下键盘，就可以加载、过滤、重组和可视化数千兆字节的异质信息。它建立在NumPy库的基础上，借用了它的许多概念和语法约定，所以如果你对NumPy很熟悉，你会发现Pandas是一个相当熟悉的工具。即使你从未听说过NumPy，Pandas也可以让你在几乎没有编程背景的情况下轻松拿捏数据分析问题。

ClickHouse(14)ClickHouse合并树MergeTree家族表引擎之VersionedCollapsingMergeTree详细解析

针对于VersionedCollapsingMergeTree(sign, version)两个特殊的参数。

Python-Numpy中array和matrix的用法

python当中科学运算库numpy可以节省我们很多运算的步骤，但是这里和matlab中又有一点点不一样，matrix和array之间的关系和区别是什么呢？

Python 数学应用（二）

在本章中，我们将讨论随机性和概率。我们将首先通过从数据集中选择元素来简要探讨概率的基本原理。然后，我们将学习如何使用 Python 和 NumPy 生成（伪）随机数，以及如何根据特定概率分布生成样本。最后，我们将通过研究涵盖随机过程和贝叶斯技术的一些高级主题，并使用马尔可夫链蒙特卡洛方法来估计简单模型的参数来结束本章。

复杂性思维第二版四、无标度网络

在本章中，我们将处理来自在线社交网络的数据，并使用 WS 图对其进行建模。WS 模型像数据一样，具有小世界网络的特点，但是与数据不同，它的节点到节点的邻居数目变化很小。

LintCode 房屋染色题目代码

这里有n个房子在一列直线上，现在我们需要给房屋染色，分别有红色蓝色和绿色。每个房屋染不同的颜色费用也不同，你需要设计一种染色方案使得相邻的房屋颜色不同，并且费用最小。

1000+倍！超强Python『向量化』数据处理提速攻略

1000倍的速度听起来很夸张。Python并不以速度著称。这是真的吗？当然有可能，关键在于你如何操作！

深度学习基础之numpy，小白轻松入门numpy，送书了！！！

Ndarray 可以理解为Java里面List 的实现，封装了更好的接口和api。

Numpy|需要信手拈来的功能

这是一篇Numpy中经常使用的API的不完全总结，欢迎补充和指导。 01 类型转化凡是使用Numpy的小伙伴，无不遇到类型转化这个问题，并且经常需要通过调试才得以修正。为什么这个问题如此棘手？请看， arr = np.array([9,10,'2',10]，只有一个元素为str类型，那么numpy会立即将所有元素转为str型。在工作中，我们经常需要添加整列添加元素，这种操作可能会改变原来元素的类型。如果，你的操作涉及到数值上的加减乘除，添加元素后意外变为str型后，就会抛出异常。这时候，需要进行

看图学NumPy：掌握n维数组基础知识点，看这一篇就够了

NumPy是Python的最重要的扩展程序库之一，也是入门机器学习编程的必备工具。然而对初学者来说，NumPy的大量运算方法非常难记。

NumPy 1.26 中文官方指南（二）

NumPy（Numerical Python）是一个开源的 Python 库，几乎在每个科学和工程领域中都被使用。它是 Python 中处理数值数据的通用标准，在科学 Python 和 PyData 生态系统的核心地位不可撼动。NumPy 的用户包括从初学者程序员到经验丰富的从事最前沿的科学和工业研究与开发的研究人员。NumPy API 在 Pandas、SciPy、Matplotlib、scikit-learn、scikit-image 和大多数其他数据科学和科学 Python 软件包中得到广泛应用。

Python实现所有算法-高斯消除法

这篇文章写的算法是高斯消元，是数值计算里面基本且有效的算法之一：是求解线性方程组的算法。

Pandas图鉴(三)：DataFrames

Polars[2]是Pandas最近的转世（用Rust编写，因此速度更快，它不再使用NumPy的引擎，但语法却非常相似，所以学习 Pandas 后对学习 Polars 帮助非常大。

NumPy Cookbook 带注释源码十一、NumPy 的底牌

# 来源：NumPy Cookbook 2e Ch11 np.random.seed(44) a = np.random.random_integers(-4, 4, 7) print(a) # [ 0 -1 -3 -1 -4 0 -1] # ufunc 的 at 方法可以对数组元素部分调用 np.sign.at(a, [2, 4]) print(a) # np.sign.at(a, [2, 4]) print(a) np.random.seed(20) a = np.rand

Numpy中的索引与排序

花哨的索引探索花哨的索引组合索引Example:选择随机点利用花哨索引修改值数组排序Numpy中的快速排序:np.sort,np.argsort部分排序:分割

从小白到大师，这里有一份Pandas入门指南

在阅读本文时，我建议你阅读每个你不了解的函数的文档字符串（docstrings）。简单的 Google 搜索和几秒钟 Pandas 文档的阅读，都会使你的阅读体验更加愉快。

猿创征文｜数据导入与预处理-第2章-numpy

numpy作为高性能科学计算和数据分析的基础包，它是众多数据分析、机器学习等工具的基础架构，掌握numpy的功能及其用法将有助于后续其他数据分析工具的学习。

浅谈NumPy和Pandas库（一）

机器学习、深度学习在用Python时，我们要用到NumPy和Pandas库。今天我和大家一起来对这两个库的最最基本语句进行学习。希望能起到抛砖引玉的作用，目前处于入门阶段，而且第一次发文，哪里出现错误

从小白到大师，这里有一份Pandas入门指南

Numpy中的stack，轴，广播以及CNN介绍

在神经网络学习之Ndarray对象和CNN入门中，主要介绍了Ndarray维度的概念和CNN的大体流程图，本文基于此介绍Ndarray中比较重要的一个函数stack函数的使用以及numpy中的广播, 简单介绍下CNN。

在 Python 中，通过列表字典创建 DataFrame 时，若字典的 key 的顺序不一样以及部分字典缺失某些键，pandas 将如何处理？

pandas 是一个快速、强大、灵活且易于使用的开源数据分析和处理工具，它是建立在 Python 编程语言之上的。

如果不懂Numpy，请别说自己是Python程序员

大约七八年前，我曾经用 pyOpenGL 画过地球磁层顶的三维模型，这段代码至今仍然还运行在某科研机构里。在那之前，我一直觉得自己是一个合（you）格（xiu）的 python 程序员，似乎无所不能。但磁层顶模型的显示效果令我沮丧——尽管这个模型只有十几万个顶点，拖拽、缩放却非常卡顿。最终，我把顶点数量删减到两万左右，以兼顾模型质量和响应速度，才勉强交付了这个任务。从此我开始怀疑 python 的性能，甚至一度怀疑 python 是否还是我的首选工具。

c++矩阵类_Matlab与Python的矩阵运算

知乎专栏：[代码家园工作室分享]收藏可了解更多的编程案例及实战经验。问题或建议，请留言;

从小白到大师，这里有一份Pandas入门指南

数据科学 IPython 笔记本 7.5 数据索引和选择

在第二章中，我们详细介绍了在 NumPy 数组中访问，设置和修改值的方法和工具。这些包括索引（例如，arr[2,1]），切片（例如，arr[:, 1:5]），掩码（例如，arr[arr > 0] ），花式索引（例如，arr[0, [1, 5]]）及其组合（例如，arr[:, [1, 5]]）。

[Python从零到壹] 十一.数据分析之Numpy、Pandas、Matplotlib和Sklearn入门知识万字详解

Web数据分析是一门多学科融合的学科，它涉及统计学、数据挖掘、机器学习、数据科学、知识图谱等领域。数据分析是指用适当的统计方法对所收集数据进行分析，通过可视化手段或某种模型对其进行理解分析，从而最大化挖掘数据的价值，形成有效的结论。

Python 数据分析（PYDA）第三版（二）

NumPy，即 Numerical Python，是 Python 中最重要的数值计算基础包之一。许多提供科学功能的计算包使用 NumPy 的数组对象作为数据交换的标准接口之一。我涵盖的关于 NumPy 的许多知识也适用于 pandas。

【NumPy 数组连接、拆分、搜索、排序】

我们传递了一系列要与轴一起连接到 concatenate() 函数的数组。如果未显式传递轴，则将其视为 0。

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

如何按列对nx3 numpy数组进行排序，但它会记住该行中的数据？

社区

活动

资源

关于

腾讯云开发者

热门产品

热门推荐

更多推荐