import numpy as np

import pandas as pd

# =============================================================================

a = np.array([0.8, 0.2, 0.9, 0.1])

a.sort()

# 将a变成排好序的array #不会输出结果 #直接更改array

print(a)

# 结果显示为 [0.1 0.2 0.8 0.9]

# =============================================================================

a = np.array([0.8, 0.2, 0.9, 0.1])

sorted(a)

# 输出结果[0.1 0.2 0.8 0.9] # 但a不会变

print(a)

# 结果依然为[0.8 0.2 0.9 0.1]

# =============================================================================

np.argsort(a)

# 结果为 array([3, 1, 0, 2])

# 这个显示的是，如果排好序，排成[0.1 0.2 0.8 0.9]的样子，这些value在原来的array中的index是多少

# =============================================================================

np.argsort(np.argsort(a))

# 结果为 array([2, 1, 3, 0])

# 这个显示的是，按照原来在array中出现的顺序[0.8, 0.2, 0.9, 0.1]，如果排序，各个位置上相应的value在序列中的序号是多少

# =============================================================================

#pd包中类似的

pd.DataFrame(a).rank()

# 结果如下，这个直接是其序号，从1开始，不是像np包中，从0开始

# =============================================================================

# 0

# 0 3.0

# 1 2.0

# 2 4.0

# 3 1.0

# =============================================================================

# =============================================================================

# 上面结果跟下面这个相同

np.argsort(np.argsort(a)) +1

# 结果为 array([3, 2, 4, 1])

# =============================================================================

np.argsort(np.argsort(-a))

# 这个是倒序排序的序号

# =============================================================================

# 排序的另一种方法，正序

a[np.argsort(a)]

# 结果为array([0.1, 0.2, 0.8, 0.9])

# =============================================================================

# 排序的另一种方法，倒序

a[np.argsort(-a)]

# 结果为array([0.9, 0.8, 0.2, 0.1])