ソート (文字列の並べ替え)

文字列を特定の順序 (辞書順、Unicode 順、ロケール依存順など) に並べ替える⁠処⁠理⁠。言語や文化によって「正しい順序」が異なるため、国際化対応では照合順序の設定が⁠重⁠要⁠。

ソート (sort、並べ替え) は、文字列のリストを特定の順序に整列する処理⁠で⁠す⁠。ファイル名の一覧、連絡先の名前、辞書の見出し語、検索結果のランキングなど、テキストデータを扱うあらゆる場面でソートが使われてい⁠ま⁠す⁠。しかし、「正しい順序」は言語や文化によって異なるため、国際化対応のソートは見た目以上に複雑⁠で⁠す⁠。

最も単純なソートは文字コードの並び順⁠で⁠す⁠。JavaScript の Array.sort() は比較関数を渡さないと、要素をいったん文字列に変換し、UTF-16 のコード単位列として比較し⁠ま⁠す⁠。基本多言語面 (BMP) の文字ではコードポイント順と一致しますが、BMP 外の文字が混ざると順序がずれ⁠ま⁠す⁠。たとえば U+E000 と U+10000 を並べると、コードポイント順なら U+E000 が先ですが、既定のソートでは U+10000 のサロゲートペア先頭が U+D800 で U+E000 より小さいため、U+10000 が先に来⁠ま⁠す⁠。より身近な例では「Z」(U+005A) が「a」(U+0061) より前に来るため、大文字と小文字が混在するリストでは直感に反する結果になり⁠ま⁠す⁠。数字の文字列も「1, 10, 2, 20, 3」のように文字コード順で並び、数値順にはなりま⁠せ⁠ん⁠。

日本語のソートは特に複雑⁠で⁠す⁠。漢字の並び順には「音読み順」「訓読み順」「部首画数順」「JIS コード順」など複数の基準があり、どれを使うかは用途によって異なり⁠ま⁠す⁠。電話帳は読みの五十音順、漢和辞典は部首画数順、JIS 規格は区点コード順⁠で⁠す⁠。同じ漢字でも複数の読みがあるため (例: 「生」は「せい」「しょう」「なま」「いきる」)、読みに基づくソートには読み仮名のデータが必要⁠で⁠す⁠。

ICU (International Components for Unicode) ライブラリは、ロケール依存のソートを実現する業界標準⁠で⁠す⁠。JavaScript の Intl.Collator は ICU に基づいており、new Intl.Collator('ja').compare(a, b) で日本語の自然な順序でソートでき⁠ま⁠す⁠。ドイツ語では「ä」を「a」の後に置くか「ae」として扱うかがロケールによって異なり、Intl.Collator はこうした言語固有のルールを正しく処理し⁠ま⁠す⁠。

自然順ソート (natural sort) は、文字列中の数字を数値として解釈するソート方式⁠で⁠す⁠。「file1, file2, file10」を辞書順でソートすると「file1, file10, file2」になりますが、自然順ソートでは「file1, file2, file10」と数値順に並び⁠ま⁠す⁠。ファイル名やバージョン番号のソートで直感的な結果を得るために使われ⁠ま⁠す⁠。

文字数カウントとの関連では、ソートキーの生成に文字列の正規化が必要になることがあり⁠ま⁠す⁠。全角と半角の統一、濁点 / 半濁点の処理、大文字 / 小文字の統一など、ソート前の前処理で文字列が変換されると文字数が変わる場合があり⁠ま⁠す⁠。ソート結果の表示では、元の文字列 (変換前) を使い、ソートキー (変換後) は内部処理にのみ使用するのが一般的⁠で⁠す⁠。

この記事を共有