numpy.argsort()返回排序索引而非排序数组，正确用法是a[np.argsort(a)]得升序结果；二维数组需显式指定axis；含nan时应预处理；排名应用scipy.stats.rankdata()而非argsort().argsort()；性能上sort快于argsort+索引取数；稳定排序需kind='stable'。
numpy.argsort() 返回的索引怎么用才不踩坑
numpy.argsort() 不直接返回排序后数组，而是返回能还原排序的索引。新手常误以为它等价于 sorted()，结果拿到一串数字发懵。
- 正确用法是：用它作为“取数地图”，
a[<code>np.argsort(a)] 才得到升序数组 - 对二维数组，默认按最后一维排序，
axis=0才按列排，axis=1按行排——漏设axis是常见错误 - 遇到
nan时，np.argsort()把nan排在末尾（升序），但不同版本行为略有差异；更稳妥的做法是先用np.nan_to_num()或显式掩码处理
排名（rank）不是排序，别用 argsort 硬凑
排序是重排顺序，排名是给每个元素标“第几名”。直接用 argsort().argsort() 只适用于无重复值场景，一有重复就错。
- 真要排名，优先用
scipy.stats.rankdata()：支持method='min'（并列取最小名次）、'dense'、'average'等策略 - 纯 NumPy 实现需两步：先用
np.unique()获取去重后排序，再用np.searchsorted()映射——但要注意searchsorted默认左边界，side='right'才匹配'max'排名逻辑 - 若数据含
nan，rankdata()默认跳过，而argsort().argsort()会把nan当最大值排，结果不可比
大数据量下 sort vs argsort 性能差异明显
当只关心排序后结果，np.sort() 比 a[<code>np.argsort(a)] 快 15–30%，因为前者原地部分排序优化更激进，后者必须完整计算索引。
- 需要原始数组位置信息（比如排序后还要查原坐标），才用
argsort()；否则直接np.sort() - 对二维数组，
np.sort(a, axis=1)比a[:, <code>np.argsort(a, axis=1)] 更省内存且快，尤其a很宽时 - 如果后续还要用索引做其他操作（如重排多个关联数组），
argsort()一次性算出索引反而更高效——别为省一次调用而反复算
stable 排序影响排名一致性
默认快速排序不稳定，相等元素的相对位置可能变。这对排名很关键：比如两个相同值，谁排前谁排后，会影响它们的名次（尤其用 'min' 或 'max' 方法时）。
- 强制稳定排序加参数
kind='stable'，目前底层用 timsort 或 mergesort，速度略慢但行为可预测 -
np.argsort(a, kind='stable')和scipy.stats.rankdata(a, method='min')配合使用，才能保证相同输入总得相同排名 - 注意：NumPy 1.22+ 才默认
kind='stable'对int和float生效，旧版本仍需显式指定
nan、是否需要保留原始位置，这三点没理清，后面所有操作都容易返工。Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
