Summary
This chapter explains how to sort two-dimensional arrays along different axes (rows, columns, or fully flattened) using a sort function and how to reverse the order for descending sorts with slicing.

General domain of usage
Data analysis

Come puoi vedere, passando semplicemente il nostro array 2D alla funzione `sort()`, viene ordinato ogni array 1D lungo l'**asse 1** (che è l'opzione predefinita in un array 2D). Impostando `axis=0` si ordina ogni array 1D lungo l'**asse 0** (ogni colonna).

Impostando `axis=None` si ottiene un **array 1D contiguo ordinato** contenente tutti gli elementi dell'array 2D.

import numpy as np
array_2d = np.array([[2, 9, 3], [1, 6, 4], [5, 7, 8]])
# Sorting a 2D array along axis 1
print(np.sort(array_2d))
# Sorting a 2D array along axis 0
print(np.sort(array_2d, axis=0))
# Creating a 1D sorted array out of the elements of array_2d
print(np.sort(array_2d, axis=None))

## Ordinamento di array 2D in ordine decrescente

Quando si ordinano array 2D in **ordine decrescente** lungo un determinato asse, è necessario utilizzare **due** slice: uno **completo** (`[:]`) e un altro con passo negativo (`[::-1]`). La posizione dello slice con passo negativo deve corrispondere all'**asse** lungo il quale si sta ordinando.

Quando si ordina lungo **l'asse 0**, è possibile utilizzare solo uno slice con passo negativo, poiché già indicizza lungo questo asse.

Nota

import numpy as np
array_2d = np.array([[2, 9, 3], [1, 6, 4], [5, 7, 8]])
# Sorting a 2D array along axis 1 in descending order
print(np.sort(array_2d)[:, ::-1])
# Sorting a 2D array along axis 0 in descending order
print(np.sort(array_2d, axis=0)[::-1])
# Creating a 1D sorted array out of the elements of array_2d in descending order
print(np.sort(array_2d, axis=None)[::-1])

import unittest
import importlib.util
import numpy as np
import io
from contextlib import redirect_stdout


def _dynamic_test(test_case, condition, success_message, failure_message):
    """Codefinity-style test output"""
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)


class TestUserCode(unittest.TestCase):
    @classmethod
    def setUpClass(cls):
        # Початкові дані
        cls.exam_scores = np.array([
            [75, 82, 90],
            [92, 88, 78],
            [60, 70, 85]
        ])
        # Очікувані результати
        cls.expected_top = np.sort(cls.exam_scores, axis=0)[::-1]
        cls.expected_sorted = np.sort(cls.exam_scores, axis=None)

    def test_top_scores_subject(self):
        """1. Columns sorted in descending order"""
        spec = importlib.util.spec_from_file_location("user_code", "user_code.py")
        module = importlib.util.module_from_spec(spec)
        spec.loader.exec_module(module)

        ok = hasattr(module, "top_scores_subject")
        arr = getattr(module, "top_scores_subject", None)
        type_ok = isinstance(arr, np.ndarray)
        shape_ok = type_ok and arr.shape == self.expected_top.shape
        val_ok = type_ok and np.array_equal(arr, self.expected_top)

        # Перевірка: усередині кожного стовпця порядок спадний
        desc_ok = type_ok and np.all(np.diff(arr, axis=0) <= 0)

        _dynamic_test(
            self,
            ok and type_ok and shape_ok and val_ok and desc_ok,
            "top_scores_subject sorted correctly by column (descending)",
            "top_scores_subject sorting incorrect",
        )

    def test_sorted_scores(self):
        """2. All scores sorted in ascending order"""
        spec = importlib.util.spec_from_file_location("user_code", "user_code.py")
        module = importlib.util.module_from_spec(spec)
        spec.loader.exec_module(module)

        ok = hasattr(module, "sorted_scores")
        arr = getattr(module, "sorted_scores", None)
        type_ok = isinstance(arr, np.ndarray)
        dim_ok = type_ok and arr.ndim == 1
        val_ok = type_ok and np.array_equal(arr, self.expected_sorted)
        asc_ok = type_ok and np.all(np.diff(arr) >= 0)

        _dynamic_test(
            self,
            ok and type_ok and dim_ok and val_ok and asc_ok,
            "sorted_scores created correctly in ascending order",
            "sorted_scores incorrect or unsorted",
        )

    def test_print_output(self):
        """3. Both arrays printed"""
        f = io.StringIO()
        spec = importlib.util.spec_from_file_location("user_code", "user_code.py")
        module = importlib.util.module_from_spec(spec)
        with redirect_stdout(f):
            spec.loader.exec_module(module)
        output = f.getvalue().strip()

        printed_top = "90" in output and "92" in output  # representative values
        printed_sorted = "60" in output and "92" in output

        _dynamic_test(
            self,
            printed_top and printed_sorted,
            "Both arrays printed correctly",
            "Missing or incorrect print output",
        )


if __name__ == "__main__":
    unittest.main()


test_code.py

Sblocca tutto il potenziale della libreria più essenziale di Python per il calcolo numerico, NumPy. Questo corso completo è progettato per portarti da una conoscenza da principiante a un livello avanzato di competenza in NumPy. Che tu sia un data scientist, un ingegnere, un ricercatore o uno sviluppatore, padroneggiare NumPy è fondamentale per una manipolazione efficiente dei dati, il calcolo scientifico e il machine learning.

Esplora le applicazioni di NumPy e comprendi perché è una delle librerie più popolari per il calcolo numerico. Scopri i diversi metodi per creare e inizializzare array per gestire in modo efficiente varie esigenze di dati.

Scopri come accedere a elementi specifici e sottoinsiemi negli array NumPy utilizzando la notazione degli indici. Apprendi l'applicazione dell'indicizzazione condizionale per filtrare i dati e gestire in modo efficiente i valori mancanti.

NumPy offre molte funzioni integrate per eseguire operazioni comuni sugli array. Scopri come applicare questi strumenti per trasformare, aggregare e analizzare i dati in modo efficiente senza scrivere codice ripetitivo.

Scopri come eseguire operazioni matematiche in modo efficiente sugli array NumPy. Applica queste operazioni per risolvere problemi reali e acquisire una comprensione più approfondita di come i calcoli vettorializzati accelerano l'analisi numerica.

Ordinamento di Array 2D

Ordinamento di array 2D in ordine decrescente

Soluzione