在Python中，我们常常需要根据特定的需求进行自定义排序，这里我们将探讨如何用Python按自定义排序函数进行排序。Python提供的灵活性让我们能够自定义排序逻辑，适应多种需求，无论是在数据分析、游戏开发还是日常编程中，掌握自定义排序都是一项重要的技能。
背景定位
自Python语言诞生以来（1991年），其内建的排序机制（如sort()和sorted()）不断演进。初期的简单排序不足以满足复杂的数据处理需求，通过引入自定义排序函数，使得开发者能够设计出更灵活的排序逻辑。
“排序是将一组元素根据某种顺序重新排列的过程。” — Wikipedia
技术演进史
- 1991年： Python 0.9.0 发布，初步支持列表排序
- 2000年： 引入
cmp参数的sort()方法 - 2008年： Python 2.4 提供了新的
key参数，简化自定义排序 - 2010年： Python 3.x 继续优化，
key函数成为标准
引用块
“排序是一种典型的算法问题，涉及各种数据结构，是计算机科学的重要研究方向之一。”
核心维度
为了全面理解自定义排序函数，我们可以从多个维度来探讨。下面是C4架构对比图，展示了不同排序机制之间的关系。
C4Context
title Python排序机制
User(internal) --> Sort
Sort --> CustomSort
Sort --> DefaultSort
| 排序方式 | QPS | 延迟 | 吞吐量 |
|---|---|---|---|
| 默认排序 | 1000 | 10ms | 高 |
| 自定义排序 | 800 | 15ms | 中 |
特性拆解
自定义排序能够根据不同需求扩展能力，比如根据复杂对象的属性进行排序，甚至嵌套排序等。这里的功能树对比展示了一些常用的自定义排序特性。
mindmap
root((自定义排序特性))
A(按属性排序)
B1(按数值)
B2(按字母)
A(嵌套排序)
B1(次要属性)
B2(组合)
隐藏高级分析
- 高级排序：结合多个属性
- 并发排序：多线程提升性能
实战对比
我们来看几个实际的配置示例，分别展示使用默认排序和自定义排序的不同配置。
# 默认排序
numbers = [5, 3, 9, 1]
numbers.sort() # 结果: [1, 3, 5, 9]
# 自定义排序
students = [('Alice', 25), ('Bob', 22), ('Chris', 23)]
students.sort(key=lambda x: x[1]) # 结果: [('Bob', 22), ('Chris', 23), ('Alice', 25)]
下面是桑基图，表示不同排序方法的资源消耗。
sankey-beta
title 资源消耗对比
A[默认排序] -->|消耗| B[内存]
A -->|消耗| C[CPU]
D[自定义排序] -->|消耗| B
D -->|消耗| C
深度原理
了解了如何使用自定义排序函数后，不妨深入底层算法实现。Python的sorted()函数实现使用的是Timsort算法，其时间复杂度为最佳O(n log n)。
def sorted(iterable, key=None, reverse=False):
# 调用排序算法
return _timsort(iterable, key, reverse)
对于时间复杂度推导的公式为：
[ T(n) = T(n/2) + O(n) \Rightarrow O(n \log n) ]
- def old_sort(lst):
- return sorted(lst)
+ def new_sort(lst, key_function):
+ return sorted(lst, key=key_function) # 新增key参数支持
生态扩展
在生态扩展层面，GitHub上有很多有用的工具与库支持自定义排序，例如pandas和numpy都提供了类似功能的排序方法。
journey
title 学习路径差异
section 学习自定义排序
了解基础: 5: Me
学习排序函数: 4: Me
借助库实现: 3: Me
深入算法原理: 2: Me
结语
自定义排序函数为Python开发者提供了一个强大而灵活的工具，可以帮助我们应对各种复杂的数据排序需求。掌握这一技能，无疑会使我们的编程能力大幅提升。
