用python的matplotlib写给数组排序

可以使用python中的内置函数sorted()来对数组进行排序。

示例代码：

import matplotlib.pyplot as plt

# 定义数组
arr = [3, 1, 4, 2, 5]

# 使用sorted()函数对数组进行排序
sorted_arr = sorted(arr)

# 使用matplotlib绘图
plt.plot(sorted_arr)
plt.show()

如果想要降序排序可以在sorted()中加入参数reverse=True

sorted_arr = sorted(arr, reverse=True)

相关问题

用python编写一个堆排序算法，分别对含有1到10000的随机数据的数组进行排序，输出时间，并绘制数据量与运行时间的图

好的，以下是用 Python 编写的堆排序算法，并绘制数据量与运行时间的图表：

import random
import time
import matplotlib.pyplot as plt

def heap_sort(arr):
    def heapify(arr, n, i):
        largest = i
        l = 2 * i + 1
        r = 2 * i + 2
        if l < n and arr[i] < arr[l]:
            largest = l
        if r < n and arr[largest] < arr[r]:
            largest = r
        if largest != i:
            arr[i], arr[largest] = arr[largest], arr[i]
            heapify(arr, n, largest)

    n = len(arr)
    for i in range(n//2 - 1, -1, -1):
        heapify(arr, n, i)
    for i in range(n-1, 0, -1):
        arr[i], arr[0] = arr[0], arr[i]
        heapify(arr, i, 0)

# 生成随机数据并进行排序
x = []
y = []
for n in range(1, 10001):
    arr = [random.randint(1, 10000) for _ in range(n)]
    start_time = time.time()
    heap_sort(arr)
    end_time = time.time()
    x.append(n)
    y.append(end_time - start_time)

# 绘制图表
plt.plot(x, y)
plt.xlabel("数据量")
plt.ylabel("运行时间（秒）")
plt.title("堆排序算法的运行时间")
plt.show()

在上面的代码中，我们定义了一个函数 `heap_sort` 来实现堆排序算法。然后，我们利用 `random` 模块生成含有 1~10000 个数据的随机数组，并对其进行排序。我们分别对含有 1~10000 个数据的数组进行排序，并输出排序所需的时间。最后，我们利用 `matplotlib` 模块绘制了数据量与运行时间的图表。

用python编写一个基数排序算法，对含有1到1000个随机数据的数组进行排序，算法对每个数组测100次运行时间取平均值，绘制运行数据量与运行时间的关系图

好的，下面是用 Python 编写的基数排序算法，并且绘制了运行数据量与运行时间的关系图：

import random
import time
import matplotlib.pyplot as plt

def radix_sort(arr):
    # 确定基数
    radix = 10

    # 确定最大位数
    max_length = len(str(max(arr)))

    # 进行基数排序
    for i in range(max_length):
        buckets = [[] for _ in range(radix)]
        for element in arr:
            digit = (element // (radix ** i)) % radix
            buckets[digit].append(element)
        arr = [element for bucket in buckets for element in bucket]

    return arr

# 生成随机数据
data_sizes = list(range(1, 1001))
data = [random.randint(1, 1000) for i in range(1000)]

# 对数据进行 100 次排序，并统计时间
avg_times = []
for size in data_sizes:
    total_time = 0
    for i in range(100):
        start_time = time.time()
        radix_sort(data[:size])
        end_time = time.time()
        total_time += (end_time - start_time)
    avg_time = total_time / 100
    avg_times.append(avg_time)
    print(f"排序数据量为{size}，平均用时{avg_time:.6f}秒")

# 绘制运行数据量与运行时间的关系图
plt.plot(data_sizes, avg_times)
plt.title("Radix Sort")
plt.xlabel("Data Size")
plt.ylabel("Time (s)")
plt.show()

代码中，我们首先利用`random`模块生成了含有 1 到 1000 个随机数据的数组，然后对数组进行了 100 次基数排序，每次排序的数据量从 1 逐渐增加到 1000，并统计了每次排序所用的时间，最后计算出了每个数据量下的平均用时，并绘制了运行数据量与运行时间的关系图。

需要注意的是，由于基数排序算法的时间复杂度较低，因此程序可以在较短的时间内完成。在本例中，我们最多只对 1000 个数据进行排序，因此程序也可以在较短的时间内完成。