Summary  
This chapter explains how to sort two-dimensional arrays by specifying an axis to order rows or columns and how to reverse the sorted result using slicing with a negative step.

General domain of usage  
Data analysis

Watch this video to see how to sort 2D arrays in NumPy. You'll learn how sorting works along different axes, how to sort each row or column, and how to sort arrays in descending order using slicing. This visual explanation will help you understand the key concepts and syntax discussed in this chapter.

Zoals je kunt zien, sorteert het eenvoudigweg doorgeven van onze 2D-array aan de functie `sort()` elke 1D-array langs **as 1** (dit is de standaardoptie in een 2D-array). Door `axis=0` in te stellen, wordt elke 1D-array gesorteerd langs **as 0** (elke kolom).

Door `axis=None` in te stellen, wordt een **aaneengesloten gesorteerde 1D-array** van alle elementen van de 2D-array geretourneerd.

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))

## 2D-arrays sorteren in aflopende volgorde

Bij het sorteren van 2D-arrays in **aflopende volgorde** langs een bepaalde as, moet je **twee** slices gebruiken: één **volledige** slice (`[:]`) en een andere met een negatieve stap (`[::-1]`). De positie van de slice met de negatieve stap moet overeenkomen met de **as** waarlangs je sorteert.

Bij het sorteren langs **as 0** kun je alleen een slice met een negatieve stap gebruiken, omdat deze al langs deze as indexeert.

Opmerking

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

Ontgrendel het volledige potentieel van Python's meest essentiële bibliotheek voor numerieke berekeningen, NumPy. Deze uitgebreide cursus is ontworpen om je van een basiskennis naar een gevorderd niveau van vaardigheid in NumPy te brengen. Of je nu data scientist, ingenieur, onderzoeker of ontwikkelaar bent, het beheersen van NumPy is essentieel voor efficiënte datamanipulatie, wetenschappelijk rekenen en machine learning.

Ontdek de toepassingen van NumPy en begrijp waarom het een van de populairste bibliotheken is voor numerieke berekeningen. Leer de verschillende manieren om arrays te maken en te initialiseren om efficiënt aan diverse databehoeften te voldoen.

Ontdek hoe u specifieke elementen en deelverzamelingen in NumPy-arrays kunt benaderen met behulp van indexnotatie. Leer om conditionele indexering toe te passen om gegevens te filteren en ontbrekende waarden efficiënt te beheren.

NumPy biedt veel ingebouwde functies voor het uitvoeren van veelvoorkomende arraybewerkingen. Leer hoe u deze tools kunt toepassen om gegevens efficiënt te transformeren, aggregeren en analyseren zonder repetitieve code te schrijven.

Leer hoe u wiskundige bewerkingen efficiënt uitvoert op NumPy-arrays. Pas deze bewerkingen toe om realistische problemen op te lossen en krijg een dieper inzicht in hoe gevectoriseerde berekeningen numerieke analyses versnellen.

2D-Arrays Sorteren

2D-arrays sorteren in aflopende volgorde

Oplossing