为什么numpy会给出这个结果:
x = numpy.array([1.48,1.41,0.0,0.1])
print x.argsort()
>[2 3 1 0]
当我期望它这样做时:
[3 2 0 1]
显然我对这个功能的理解很缺乏。
答案 0 :(得分:109)
答案 1 :(得分:32)
[2, 3, 1, 0]
表示最小元素在索引2处,下一个在索引3处最小,然后是索引1,然后是索引0。
有a number of ways来获得您正在寻找的结果:
import numpy as np
import scipy.stats as stats
def using_indexed_assignment(x):
"https://stackoverflow.com/a/5284703/190597 (Sven Marnach)"
result = np.empty(len(x), dtype=int)
temp = x.argsort()
result[temp] = np.arange(len(x))
return result
def using_rankdata(x):
return stats.rankdata(x)-1
def using_argsort_twice(x):
"https://stackoverflow.com/a/6266510/190597 (k.rooijers)"
return np.argsort(np.argsort(x))
def using_digitize(x):
unique_vals, index = np.unique(x, return_inverse=True)
return np.digitize(x, bins=unique_vals) - 1
例如,
In [72]: x = np.array([1.48,1.41,0.0,0.1])
In [73]: using_indexed_assignment(x)
Out[73]: array([3, 2, 0, 1])
这检查它们都产生相同的结果:
x = np.random.random(10**5)
expected = using_indexed_assignment(x)
for func in (using_argsort_twice, using_digitize, using_rankdata):
assert np.allclose(expected, func(x))
这些IPython %timeit
基准测试建议大型数组using_indexed_assignment
是最快的:
In [50]: x = np.random.random(10**5)
In [66]: %timeit using_indexed_assignment(x)
100 loops, best of 3: 9.32 ms per loop
In [70]: %timeit using_rankdata(x)
100 loops, best of 3: 10.6 ms per loop
In [56]: %timeit using_argsort_twice(x)
100 loops, best of 3: 16.2 ms per loop
In [59]: %timeit using_digitize(x)
10 loops, best of 3: 27 ms per loop
对于小型数组,using_argsort_twice
可能更快:
In [78]: x = np.random.random(10**2)
In [81]: %timeit using_argsort_twice(x)
100000 loops, best of 3: 3.45 µs per loop
In [79]: %timeit using_indexed_assignment(x)
100000 loops, best of 3: 4.78 µs per loop
In [80]: %timeit using_rankdata(x)
100000 loops, best of 3: 19 µs per loop
In [82]: %timeit using_digitize(x)
10000 loops, best of 3: 26.2 µs per loop
另请注意,stats.rankdata
可让您更好地控制如何处理相等价值的元素。
答案 2 :(得分:2)
正如the documentation所说,argsort
:
返回对数组进行排序的索引。
这意味着argsort的第一个元素是应该首先排序的元素的索引,第二个元素是应该是第二个元素的索引,等等。
您似乎想要的是值的排名顺序,这是scipy.stats.rankdata
提供的顺序。请注意,如果队伍中存在关联,您需要考虑应该发生什么。
答案 3 :(得分:0)
首先,它订购了阵列。然后生成一个包含数组初始索引的数组。
答案 4 :(得分:0)
输入:
导入numpy为np
x = np.array([1.48,1.41,0.0,0.1])
x.argsort()。argsort()
输出:
数组([3,2,0,1])
答案 5 :(得分:0)
np.argsort返回由“种类”(指定排序算法的类型)给出的排序数组的索引。但是,当列表与np.argmax一起使用时,它将返回列表中最大元素的索引。而np.sort对给定的数组,列表进行排序。
答案 6 :(得分:0)
numpy.argsort(a,axis = -1,kind ='quicksort',order = None)
返回将对数组进行排序的索引
使用kind关键字指定的算法沿给定的轴执行间接排序。它将沿给定轴按排序顺序返回与该索引数据形状相同的索引数组。
考虑python中的一个示例,其值列表为
listExample = [0 , 2, 2456, 2000, 5000, 0, 1]
现在我们使用argsort函数:
import numpy as np
list(np.argsort(listExample))
输出将为
[0, 5, 6, 1, 3, 2, 4]
这是listExample中值索引的列表,如果将这些索引映射到各自的值,那么我们将得到如下结果:
[0, 0, 1, 2, 2000, 2456, 5000]
(我发现此功能在许多地方都非常有用,例如,如果您想对列表/数组进行排序,但又不想使用list.sort()函数(即,不更改列表中实际值的顺序),可以使用此功能。)
有关更多详细信息,请参见以下链接:https://docs.scipy.org/doc/numpy-1.15.0/reference/generated/numpy.argsort.html
答案 7 :(得分:0)
它根据给定的数组索引返回索引,这意味着:
0.0
是索引[2]中的第一个元素
0.1
是索引[3]中的第二个元素
1.41
是索引[1]中的第三个元素
1.48
是索引[0]中的第四个元素
输出:
[2,3,1,0]
答案 8 :(得分:-1)
只是想直接将OP的原始理解与代码的实际实现进行对比。
numpy.argsort
定义为1D数组:
x[x.argsort()] == numpy.sort(x) # this will be an array of True's
OP最初认为它是针对1D阵列定义的:
x == numpy.sort(x)[x.argsort()] # this will not be True
注意:此代码在一般情况下不起作用(仅适用于1D),此答案纯粹是为了说明目的。