Python Data Science Program
📓 Abrir notebook en GitHub

Clase 019 — NumPy: ordenamiento y búsqueda

Parte: 0 — Prerrequisitos · Fuente: VanderPlas, cap. 2 § 2.8 Sorting Arrays · NumPy sorting reference. ⏱️ Duración estimada: 60 min.

🎯 Objetivo

Que el alumno ordene arrays con criterio: sort vs argsort, ordenamiento por eje, partial sort con partition, y búsqueda binaria con searchsorted. Útil para top-K, rankings, alineación de series.

📚 Resultados de aprendizaje

Al finalizar la clase, el alumno podrá:

  1. Ordenar con np.sort(arr) (devuelve copia) y arr.sort() (in-place).
  2. Obtener índices del orden con argsort — base de top-K y rankings.
  3. Ordenar por eje en matrices con axis=0 o axis=1.
  4. Top-K eficiente con np.partition (no ordena completo, solo separa).
  5. Búsqueda binaria con np.searchsorted en arrays ordenados (O(log n)).

🗺️ Temas

# Tema Por qué importa
1 np.sort vs arr.sort() Copia vs in-place.
2 argsort: el truco del top-K Índices que ordenarían el array.
3 Ordenamiento por eje Por fila o por columna.
4 np.partition para top-K Más rápido que sort completo.
5 np.searchsorted — binaria O(log n) Inserción en array ordenado.
6 np.unique Únicos + opcionalmente cuentas.

📖 Definiciones y características

np.sort vs arr.sort()
np.sort(arr) devuelve copia ordenada (no muta). arr.sort() ordena in-place y retorna None. Mismo patrón que sorted(list) vs list.sort().
argsort
Devuelve los índices que ordenarían el array. idx = arr.argsort(); ordenado = arr[idx]. Base de top-K, rankings, alineación entre arrays correlacionados.
np.partition
Quick-select O(n): garantiza que los K menores quedan en las primeras K posiciones (no necesariamente ordenados entre sí), el resto después. Mucho más rápido que sort completo cuando solo necesitas top-K.
np.searchsorted
Búsqueda binaria O(log n) en array ordenado. Devuelve el índice donde insertar un valor para mantener orden. Útil para calcular percentiles, bucketing.
np.unique
Devuelve únicos ordenados. Con return_counts=True devuelve también las frecuencias — alternativa rápida a Counter para datos numéricos.

📂 Dataset / recursos

Sintético: puntajes de 1M estudiantes. Sin descarga.

🧪 Ejercicios

1. Top-10. Dado array de 1M puntajes, obtén los 10 más altos. Compara np.sort()[-10:] vs np.partition.

2. Ranking. Con argsort, asigna a cada estudiante su ranking (1 = mejor).

3. Ordena matriz por columna. Matriz 10×5; ordena cada columna por su valor.

4. Mediana por bisect. Implementa una función que dado un valor v y un array ordenado, devuelve su posición percentil usando searchsorted.

5. np.unique con cuentas. Dado array de categorías, obtén valores únicos y sus frecuencias.

📝 Homework verificable

Notebook con array de 100k puntajes: (a) top-100 con partition y benchmark vs sort completo; (b) ranking con argsort.argsort(); (c) percentil de un valor dado con searchsorted; (d) unique con return_counts y barplot top-10 categorías.

Criterio de aceptación: partition >10× más rápido que sort completo para N=100k y K=100.

⚠️ Errores comunes

Síntoma / mensaje Causa y cómo arreglar
Ordeno con arr.sort() y la variable queda en None sort() es in-place — modifica arr y retorna None. Fix: ordenado = np.sort(arr) (con np.sort).
Top-K con sort()[-K:] es lento para N grande, K chico Sort completo es O(N log N). Fix: np.partition(arr, -K)[-K:] es O(N). Acopla con .sort() si necesitas los K ordenados internamente.
argsort da resultado raro con matriz Sin axis, ordena cada fila/columna independiente según axis=-1 por default. Para ordenar matriz completa por una columna, usa arr[arr[:, col].argsort()].
np.searchsorted da índice fuera del array Si el valor es mayor que todos, devuelve len(arr). Es el comportamiento correcto ("insertar al final"). Fix: clipea con np.clip(idx, 0, len(arr)-1) si vas a indexar.
np.unique(arr_2d) aplana el array Por default, unique trabaja sobre array aplanado. Para únicos por fila/columna: unique(arr, axis=0).

❓ Preguntas frecuentes

❓ ¿Cuándo argsort y cuándo sort?

Si solo necesitas los valores ordenados, sort. Si necesitas el orden para aplicarlo a otros arrays correlacionados (ej: ordenar nombres por puntajes), argsort te da los índices.

❓ ¿partition o heapq.nlargest?

partition para arrays NumPy (vectorizado, C). heapq.nlargest(K, lst) para listas Python. Para K muy pequeño (3-5) sobre N grande, similares; partition gana en arrays grandes.

❓ ¿Cómo ordeno por múltiples claves (lexicográfico)?

np.lexsort([clave_secundaria, clave_principal]) — devuelve índices. Atención: el orden es al revés (último argumento = key primaria).

❓ ¿np.unique preserva el orden de primera aparición?

No — siempre ordena. Para preservar orden de aparición: _, idx = np.unique(arr, return_index=True); arr[np.sort(idx)].

❓ ¿Existe equivalente a SQL ORDER BY x DESC?

arr[arr.argsort()][::-1] o arr[arr.argsort()[::-1]]. NumPy no tiene flag reverse= como sorted() Python — invierte tú.

🔗 Referencias

📥 Material descargable

➡️ Siguiente clase

Clase 020 — NumPy: álgebra lineal con numpy.linalg