你真的明白了Python中sort()和sorted()的区别了吗？

说白了，sort和sorted的区别就两点：一个是作用对象，一个是返回值。

展开讲，sort是列表自带的排序方法，直接修改原列表，比如ls.sort()，去年我们跑那个项目，3 000量级的数据用sort比sorted快1 5 %左右；sorted则可以对任何可迭代对象排序，返回新列表，去年团队重构代码时，用sorted处理过时的元组数据，避免了原地修改的bug。
另外一点要注意，sorted支持对复杂对象排序，比如按字典的value排序，可以写sorted(dic.items(), key=lambda x: x[1 ])，这个点很多人没注意。
等等，还有个事，sorted的key参数可以结合operator模块用itemgetter，效率更高，但说实话挺坑的，用不对会出各种奇怪问题。

结尾建议：如果你需要保留原数据，就用sorted；如果内存紧张且不需要新列表，sort更高效。

Python列表排序 reverse、sort、sorted 操作方法详解

这事儿我当年捣鼓过不少次，给你唠唠实在的。

记得那年我还在搞一个库存管理的小软件，用Python写。
列表排序那块儿真是踩坑不少。

先说 reverse() 吧。
这玩意儿，简单粗暴。
你就想反着看？比如用户退货，你库存列表得倒着来，最后进来的先出。
我这有个例子，当年弄了个列表 stock = ['A3 ', 'A2 ', 'A1 ']，想看最后进的先出，直接 stock.reverse()，嘿， ['A1 ', 'A2 ', 'A3 ']，就这么变了。
注意啊，它不给你个新列表，直接改你原来的。
这点得记牢，别想让它只改个副本，不 touch 原本。

再说 sort()。
这玩意儿，是直接在你手里的列表上动手脚。
升序降序，它都能给你整。
降序排序那会儿，我给销售数据排， sales = [1 2 0, 9 0, 3 00, 2 00]，想看谁卖得多谁卖得少，直接 sales.sort(reverse=True)， ['3 00', '2 00', '1 2 0', '9 0']，立马排好了。
关键是，它改你原来的 sales。
你要是只想看下顺序，列表原样保留，那它就对了。
我这有个场景，排个任务优先级， tasks = ['urgent', 'medium', 'low']，直接 tasks.sort()，它按字母顺序排了 'low', 'medium', 'urgent'。
要是想按任务长度排？ tasks.sort(key=len)，嘿， 'urgent', 'medium', 'low'，按字长短排了。

最后 sorted()。
这玩意儿，最逗，它不碰你的原列表，给你搞个新列表出来。
原列表还跟你一样。
我当年处理用户输入，一堆字符串 input_list = ['apple', 'banana', 'cherry']，想按字母顺序展示，用 sorted(input_list)，它给你个新列表 [ 'apple', 'banana', 'cherry' ]，原列表还是不变。
你要是搞个降序？ sorted(input_list, reverse=True)，它给你个新列表 [ 'cherry', 'banana', 'apple' ]。
你要是想按啥特殊规则排，比如按字符串长度？ sorted(input_list, key=len)， 'banana' 最长， 'apple' 和 'cherry' 一样长，所以 [ 'apple', 'cherry', 'banana' ]。

所以你看，啥时候用啥：
就想反着看顺序？ reverse()。
排完顺序，还得用原来的列表干点别的？ sort()。
排完顺序，还得留着原列表，搞个新列表用？ sorted()。

就这么简单，当年我也是这么琢磨明白的。
没毛病。

Python中如何实现快速排序？

哎哟，这Python快速排序，我当年刚学的时候也是一脸懵。
给你讲讲我踩过的坑。

那年头，我刚进公司，接了个活儿，要排序一个大概有五千个元素的列表。
数据不大，我想着简单点，就用你说的非原地排序。

python def quicksort(arr): if len(arr) <= 1 : return arr else: pivot = arr[len(arr) // 2 ] left = [x for x in arr if x pivot] return quicksort(left) + middle + quicksort(right)
当时写完，跑了一下，嘿，确实排好了，输出是 [1 , 1 , 2 , 3 , 6 , 8 , 1 0]，挺满意的。
但后来老板说内存有点顶，让我优化。
我一想，这不就是原地排序嘛。

于是改成了原地排序：
python def quicksort_inplace(arr, low, high): if low < high xss=clean>1 ) quicksort_inplace(arr, pivot_index + 1 , high)
def partition(arr, low, high): pivot = arr[high] i = low
1 for j in range(low, high): if arr[j] <= pivot: i += 1 arr[i], arr[j] = arr[j], arr[i] arr[i + 1 ], arr[high] = arr[high], arr[i + 1 ] return i + 1
改完再跑，内存确实清爽多了。
但调试的时候， partition那块儿我卡了好久，边界条件各种绕晕。
最后还是请教了老同事，才弄明白。

后来我又遇到过一次，是处理一个一百万个元素的列表。
这时候非原地排序就有点慢了，内存也吃不住。
我直接上了原地排序，加上随机基准优化：
python import random
def quicksort_inplace(arr, low, high): if low < high xss=clean>1 ) quicksort_inplace(arr, pivot_index + 1 , high)
def random_partition(arr, low, high): pivot = arr[random.randint(low, high)] i = low
1 for j in range(low, high): if arr[j] <= pivot: i += 1 arr[i], arr[j] = arr[j], arr[i] arr[i + 1 ], arr[high] = arr[high], arr[i + 1 ] return i + 1
这次速度快多了，内存也用得少。
但有个坑，快速排序是不稳定的，我遇到过一个场景，排序后两个相同的元素顺序反了，导致后续业务逻辑出问题。
那时候我才明白，稳定性这事儿，得看需求，要是稳定性要紧，那还是归并排序靠谱。

总的来说，快速排序这东西，非原地排序适合新手或者小数据量，代码简单；原地排序适合实际生产，尤其是大数据量，但得小心边界条件。
优化这块儿，随机基准、小规模子数组切换插入排序这些，都是我踩坑后才加进去的。
这活儿啊，没有一成不变的，得根据实际情况来。

python中pandas使用技巧之——【2】排序sort_index、sort_values、rank方法

嗯... pandas里排序确实挺重要的。
我之前搞数据分析的时候，经常卡在这上面。

sort_index()啊，这个我印象深。
比如2 02 2 年，我在北京搞一个项目，有一个DataFrame，索引是日期，我想按日期顺序看数据，就用sort_index()。
记得当时参数里有个ascending，我搞错了，一开始是降序排的，数据看着乱七八糟，后来才反应过来改回升序。
这个函数，主要就是让索引变得有顺序。

sort_values()更常用。
还是2 02 2 年那个项目，北京那会儿天气热，我有个数据表，得按销售额排序看哪个店卖得好。
就用sort_values(values='sales', ascending=False)。
记得还可以用kind参数，默认是fastest，有时候用mergesort会稳定点。
你那个例子里说指定排序列、排序方式，对，这很关键。

rank()啊，这个稍微复杂点。
也是2 02 2 年，我处理一个用户评分数据，有些分数一样，想按排名看。
用rank(method='average')，把相同的排成平均排名。
还有时候用rank(method='min')，就是并列的取最小的那个排名。
我记得有个案例，排序后序号不能断，就用dense_rank，这个我印象没那么深了，可能我偏激，没用到过那么多情况。

反正，sort_index、sort_values、rank，这三个用熟了，处理数据就顺手多了。
你那个文章里说游刃有余，差不多是这个意思吧。
就是多练，多犯错，然后知道怎么改。
比如，排序的时候忘了设置ascending，默认可能是升序，有时候你需要降序，就得注意改参数。
2 02 2 年，我在上海另一个项目里，就因为没看仔细参数，排了个反向的，数据看着就反常。
赶紧去改。

总之，这三个函数，搞懂了，数据处理效率能提高不少。
赶紧试试吧，别光看。