argsort返回的是排序后元素在原数组中的索引，而非排序后的值；需用a[np.argsort(a)]获取排序数组，多维时axis决定排序方向，稳定性需指定kind='stable'，复合排序应使用lexsort。
argsort 返回的是索引，不是排序后的值
很多人一用 np.argsort 就直接拿结果当排序数组用，结果发现输出全是小整数——那是索引，不是数据本身。它干的事很明确：对输入数组升序排列，然后告诉你“原来排第0的元素现在该放在哪”，返回的是位置映射。
常见错误现象：np.argsort([3, 1, 4]) 返回 array([1, 0, 2])，不是 [1, 3, 4]；有人误以为这是排序结果，后续直接参与计算就出错。
- 要用排序后数组？得配合花括号索引：
a[np.argsort(a)] - 要降序？加负号或用
[::-1]：a[np.argsort(-a)]或a[np.argsort(a)[::-1]] - 多维数组默认按最后一轴（列）排序，想按行排得显式写
axis=1
二维数组里 argsort 的 axis 参数决定“谁被排序”
np.argsort 在二维场景下最容易混淆：不指定 axis 时，它对每列单独算索引；设成 axis=0 是按列方向比较（即每列内排序），axis=1 是按行方向比较（即每行内排序）。这和 sort 行为一致，但新手常忽略 axis 导致索引错位。
使用场景：比如你有一批样本特征矩阵 X（shape=(1000, 5)），想对每个特征（每列）单独标准化顺序，就得用 axis=0；如果想对每个样本内部的 5 个维度排个序（比如找最大响应通道），就得用 axis=1。
立即学习“Python免费学习笔记（深入）”；
-
np.argsort(X, axis=0)→ 返回 shape 同 X 的索引数组，每列是该列的排序位置 -
np.argsort(X, axis=1)→ 每行独立排序，返回每行内各元素应放的位置 - 拿索引取原数组时注意广播：用
X[np.arange(X.shape[0])[:, None], idx]这类高级索引才能正确抓取
argsort 稳定性影响相同值的相对顺序
NumPy 默认的 argsort 是不稳定排序（quicksort），相同值的原始先后关系可能被打乱。如果你依赖“相等元素保持原有次序”，比如做分位数分组或构建稳定排名，就得显式指定 kind='stable'。
性能影响：稳定排序（如 timsort）比默认 quicksort 慢约 10%–30%，内存占用略高；但多数小数组无感，大数据集建议压测对比。
- 默认行为：
np.argsort([2, 1, 2])可能返回[1, 0, 2]或[1, 2, 0] - 强制稳定：
np.argsort([2, 1, 2], kind='stable')总返回[1, 0, 2]（先出现的 2 在前） - 注意：'stable' 在 NumPy ≥1.15 可用，旧版本只能靠
lexsort模拟
argsort 和 lexsort 的分工边界在哪
np.argsort 只能按单个数组排序；遇到“先按 A 列升序、A 相同时再按 B 列降序”这类复合规则，就得换 np.lexsort。它接收一个元组或列表，把最后一个作为主键，倒着来——这点极易写反。
容易踩的坑：有人试图用两次 argsort 拼复合排序，结果逻辑错乱；或者把 lexsort((B, A)) 写成 (A, B)，导致主次颠倒。
- 正确写法：
idx = np.lexsort((B, A))表示“主键是 A，次键是 B” - 要让次键降序？传
-B：np.lexsort((-B, A)) -
lexsort只支持一维序列，多维需先拉平或逐列提取
