企业官网建设流程全解析

前言

NumPy 是第三方库，不是标准库，使用前需要pip install numpy。本机没有 Python 解释器也没有装 NumPy，所以本文的示例无法在本机运行验证，只能逐行人工推演；函数签名、返回值和版本差异一律以 NumPy 官方文档为准。

标题里的「排序与过滤」看着简单，实际藏了几个高频陷阱。最典型的一个是：numpy.sort返回的是排好序的副本，而ndarray.sort方法是原地排序、返回None。用过list.sort()的人对「原地排序返回None」有印象，但换成 NumPy 时又常常把它俩弄反——写成a = np.sort(a)固然没错，写成a = a.sort()就会把a变成None，然后在下游报一个和排序毫无关系的错误。

第二个陷阱是过滤手段选错。where、extract、布尔索引三者的结果不完全一样，尤其是where只有条件一个参数时，它返回的是一个下标元组，不是元素本身。

第三个是清洗顺序。缺测值（NaN）如果不清掉就去排序或裁剪，结果往往不是预期的——NaN 在排序里会被排到末尾，而裁剪也「裁」不掉它。

本文按「排序 → 取顺序 → 去重计数 → 过滤 → 清洗」的顺序，把这几组常用接口放在一起讲清楚，并给出可以对照官方文档的示例。

一、排序：numpy.sort是副本，ndarray.sort是原地

先看两者的签名和语义：

注意两个地方：一是默认排序轴是最后一根（axis=-1），不是「把整个数组展平再排」——对二维数组，默认是按行各排各的；二是ndarray.sort的返回值是None，官方的签名里就没有返回值的概念，它就是原地操作。

# 适用于 Python 3.8+ 且已安装 NumPy（以官方文档为准）
import numpy as np

a = np.array([3, 1, 2])
b = np.sort(a) # 副本
print(b) # [1 2 3]
print(a) # [3 1 2] —— a 没变

c = np.array([3, 1, 2])
ret = c.sort() # 原地
print(ret) # None
print(c) # [1 2 3]

版本方面有两条值得记住：numpy.sort与numpy.argsort的stable关键字是 NumPy 2.0.0 新增的，用来要求稳定排序（它等价于选kind='stable'）；descending关键字是 NumPy 2.5.0 新增的，用来直接要求降序。如果你的环境是更早的版本，降序要靠切片反转（np.sort(a)[::-1]）或argsort的负数技巧，不要写这两个关键字。

另外kind的可选值包括'quicksort'（默认）、'mergesort'、'heapsort'、'stable'。官方文档说明：稳定排序会保持相等元素的相对顺序；对整数类型，'mergesort'和'stable'会映射到基数排序。

二、只想要「顺序」：argsort、argpartition、lexsort

大多数时候你并不想重排数据本身，而是想要「谁排在前面」这个信息，那就用返回下标的版本。

numpy.argsort(a, axis=-1, kind=None, order=None, *, stable=None, descending)返回的是把数组排好序所需的下标（stable与descending是关键字专用的可选参数，descending带一个内部的哨兵默认值，含义是「不指定」）：

# 适用于 Python 3.8+ 且已安装 NumPy（以官方文档为准）
import numpy as np

a = np.array([3, 1, 2])
print(np.argsort(a)) # [1 2 0] —— a[1]=1 最小，a[2]=2 次之，a[0]=3 最大
print(a[np.argsort(a)]) # [1 2 3]，用下标取回排序结果

如果只需要「最小的前 k 个」，用numpy.argpartition(a, kth, axis=-1, kind='introselect')更划算：它做的是部分排序，保证第kth个位置上是「排好序后应该在那个位置」的元素，且它左边的都不大于它、右边的都不小于它——左右两边内部是无序的。

# 适用于 Python 3.8+ 且已安装 NumPy（以官方文档为准）
import numpy as np

a = np.array([9, 1, 8, 2, 7, 3])
idx = np.argpartition(a, 3) # kth=3
print(a[idx[:3]]) # 最小的三个数（内部无序）

多键排序用numpy.lexsort(keys, axis=-1)。它最容易记错的一点是：keys里最后一个键是主键，其余键按从后往前的顺序作为次键。也就是说，要让a做主键、b做次键，得写成np.lexsort((b, a))——顺序是反过来的。

# 适用于 Python 3.8+ 且已安装 NumPy（以官方文档为准）
import numpy as np

surname = np.array([2, 1, 2, 1])
score = np.array([90, 95, 85, 88])

order = np.lexsort((score, surname)) # 主键是 surname（最后一个），次键是 score
print(order) # [3 1 2 0]
print(surname[order]) # [1 1 2 2]
print(score[order]) # [88 95 85 90]

三、去重与计数：numpy.unique

numpy.unique(ar, return_index=False, return_inverse=False, return_counts=False, axis=None, *, equal_nan=True, sorted=True)一个函数解决了「去重」「排序」「计数」三件事：

# 适用于 Python 3.8+ 且已安装 NumPy（以官方文档为准）
import numpy as np

a = np.array([3, 1, 3, 2, 1])
print(np.unique(a)) # [1 2 3]

vals, counts = np.unique(a, return_counts=True)
print(vals) # [1 2 3]
print(counts) # [2 1 2]

注意默认行为里已经包含了「排序」——unique返回的值是按升序排好的。官方文档还给出两条版本说明：一是从 1.21 起，和numpy.sort一样，NaN 会被排到末尾；二是sorted与equal_nan这两个关键字是较新版本加入的（equal_nan默认True，表示把多个 NaN 视作同一个值来去重）。不用这两个参数时不必关心，但如果你要写跨版本兼容的代码，最好显式确认。

四、过滤：布尔索引、numpy.where、numpy.extract

布尔索引是最直接的过滤方式：把一个布尔数组传进去，得到满足条件的元素组成的新数组。

# 适用于 Python 3.8+ 且已安装 NumPy（以官方文档为准）
import numpy as np

a = np.array([1, 5, 3, 8])
print(a > 4) # [False True False True]
print(a[a > 4]) # [5 8]

numpy.where有两种完全不同的用法，签名写成where(condition, [x, y], /)，两个参数是可选的：

• 
  
• 三个参数（条件 +x+y）：条件为真的位置取x，否则取y，返回同形状的新数组；
• 
  
• 只有一个参数（条件）：官方说明它等价于np.asarray(condition).nonzero()，返回的是下标，而且是一个元组。
• 
  

# 适用于 Python 3.8+ 且已安装 NumPy（以官方文档为准）
import numpy as np

a = np.array([1, 5, 3, 8])

print(np.where(a > 4, a, 0)) # [0 5 0 8] —— 三参数：按位置挑选
print(np.where(a > 4)) # (array([1, 3]),) —— 单参数：返回下标元组

这是最容易踩的一处：单参数的where返回的是元组，不是数组。想拿满足条件的元素，要么用布尔索引a[a > 4]，要么用三参数where。官方也提示，如果只是为了取下标，直接用nonzero更清楚。

numpy.extract(condition, arr)是另一个过滤函数，语义上和arr[condition]接近，返回一维结果。它在链式表达式中偶尔更顺手，但不如布尔索引直观，日常用布尔索引就够了。

顺带记一个统计函数：numpy.count_nonzero(a, axis=None, *, keepdims=False)用来数非零元素；因为True在布尔数组里就是1，所以np.count_nonzero(a > 4)正好是「满足条件的元素个数」。

五、清洗：numpy.clip与numpy.isnan的组合

numpy.clip把数值限制在区间内。官方说明它等价于但快于np.minimum(a_max, np.maximum(a, a_min))，并且不检查a_min是否小于a_max。

a_min > a_max时的行为，官方文档专门写了一条：这时clip会返回一个所有值都等于a_max的数组。这个行为不太符合直觉，但它是被明文规定的，不是「未定义行为」，所以不要去依赖它之外的任何东西。

还有一个版本细节：min和max这两个关键字参数是 NumPy 2.1.0 新增的，它们是a_min/a_max的替代写法。写新代码可以用新名字，但如果要兼容旧版本，还是用a_min/a_max更保险。

numpy.isnan(x, /, out=None, *, where=True, ...)是一个 ufunc，返回与输入同形状的布尔数组，标记每个位置是不是 NaN。注意它的第一个参数是仅位置参数（签名里那个/的含义），只能按位置传，不能写成isnan(x=...)。

清洗的标准顺序是：先去 NaN，再裁剪，反过来做会被 NaN 干扰：

# 适用于 Python 3.8+ 且已安装 NumPy（以官方文档为准）
import numpy as np

b = np.array([1.0, np.nan, 5.0, 20.0, -3.0])

print(np.isnan(b)) # [False True False False False]

cleaned = b[~np.isnan(b)] # 先用布尔索引剔掉 NaN
clipped = np.clip(cleaned, 0.0, 10.0)
print(clipped) # [ 1. 5. 10. 0.]

这里的关键点是~np.isnan(b)：np.isnan给出「是 NaN」的掩码，取反（~）才得到「不是 NaN」的位置。这一步不能省——因为clip并不会把 NaN 修掉（np.maximum/np.minimum会传播 NaN，所以 NaN 通常在裁剪后原样保留）。如果你在一个含 NaN 的数组上直接clip，再拿去算均值，得到的还是 NaN。

需要注意的是，np.clip(b, 0.0, 10.0)里0.0和10.0是按位置传的，顺序是「下界、上界」，别写反。写反了虽然不会报错（按上面的规则会得到全是上界的数组），但结果毫无意义。

常见坑点

1. 
   
2. ❌ 写a = a.sort()，以为拿到了排序结果。
3. 
   

✅ndarray.sort是原地排序、返回None，这行会让a变成None；要副本用a = np.sort(a)，要原地就直接a.sort()。

1. 
   
2. ❌ 认为np.sort(a)会改动a。
3. 
   

✅np.sort返回副本；只有ndarray.sort方法才原地修改。

1. 
   
2. ❌ 对二维数组调用np.sort(a)，期待得到整个数组的全局排序。
3. 
   

✅ 默认axis=-1，是沿最后一根轴排序；要全局排序先a.ravel()或传axis=None。

1. 
   
2. ❌ 用np.where(a > 4)拿元素，然后对返回结果做数组运算。
3. 
   

✅ 单参数where返回的是下标元组；取元素用布尔索引a[a > 4]，或改用三参数where。

1. 
   
2. ❌ 写np.lexsort((primary, secondary))，以为第一个键是主键。
3. 
   

✅最后一个键才是主键；主键是a、次键是b时应写np.lexsort((b, a))。

1. 
   
2. ❌ 在含有 NaN 的数组上直接clip，以为缺口会被顺带处理掉。
3. 
   

✅clip不会修掉 NaN；先用b[~np.isnan(b)]剔除，再裁剪，顺序不能反。

1. 
   
2. ❌ 以为clip会检查下界是否小于上界，或者依赖「下界大于上界」时的某种直觉行为。
3. 
   

✅ 官方明确：不检查两者大小关系，且当a_min > a_max时返回的数组所有值都等于a_max；别把参数写反。

1. 
   
2. ❌ 在旧版本 NumPy 上用np.sort(a, stable=True)或descending=True。
3. 
   

✅stable是 NumPy 2.0.0 新增、descending是 2.5.0 新增；旧版本请用kind='stable'或切片反转。

总结

这几组接口的共同点是：它们大多返回新数组，而不是就地改。所以写代码时先问一句「这个调用返回什么、我把它接到哪里了」，就能避开本文里大半的坑——尤其是sort方法返回None、单参数where返回元组这两个。至于清洗，记住「先剔缺测、再裁剪、最后统计」的顺序，NaN 就不会再悄悄污染你的结果。

参考：numpy.sort、numpy.argsort、numpy.argpartition、numpy.lexsort、numpy.unique、numpy.where、numpy.extract、numpy.clip、numpy.isnan、numpy.count_nonzero的签名与版本说明，均以 NumPy 官方文档为准；NumPy 为第三方库，需pip install numpy；本文代码未在本机运行，仅作人工推演。