为何按无符号整数ID排序时np.sort()在多dtype数组上运行缓慢？

核心原因 #

• 数据移动开销差异
  结构化数组的每个元素是多字段的组合（比如你例子里每个元素是1字节的u1+8字节的<u8，共9字节），排序时需要移动整个元素的内存块；而单独排序id列时，只需要移动8字节的单一类型数据块，单元素移动开销的差异加上500万级别的数据量，总耗时被大幅放大。

• 内存布局与缓存效率问题
  Numpy结构化数组采用元素优先的存储方式（即每个元素的所有字段连续存放在内存中，比如x[0].x和x[0].id相邻，x[1].x和x[1].id相邻），而单独的id列是连续的同类型数据块。排序时，同类型连续数组能充分利用CPU缓存和SIMD指令优化，而结构化数组的非对齐、多类型混合存储会导致缓存命中率下降，无法发挥硬件加速的优势。

• Numpy排序的内部逻辑差异
  调用np.sort(x, order='id')时，Numpy内部会先提取id列生成排序索引，再根据这个索引重新排列整个结构化数组——这个全数组重排的步骤是最大的耗时点。而np.sort(x['id'])只需要对单一类型数组执行排序，没有后续的全数组重排操作，自然速度快得多。

优化方案 #

既然排序仅与id列相关，你可以手动拆分排序步骤，避开结构化数组排序的额外开销：

# 获取id列的排序索引
sorted_indices = np.argsort(x['id'])
# 用索引重排原数组
sorted_x = x[sorted_indices]

这个方法的耗时几乎和单独排序id列持平，因为最耗时的全数组重排被替换成了Numpy底层优化过的索引切片操作。

内容的提问来源于stack exchange，提问作者me9hanics