- ubuntu12.04环境下使用kvm ioctl接口实现最简单的虚拟机
- Ubuntu 通过无线网络安装Ubuntu Server启动系统后连接无线网络的方法
- 在Ubuntu上搭建网桥的方法
- ubuntu 虚拟机上网方式及相关配置详解
CFSDN坚持开源创造价值,我们致力于搭建一个资源共享平台,让每一个IT人在这里找到属于你的精彩世界.
这篇CFSDN的博客文章浅谈numpy.where() 的用法和np.argsort()的用法说明由作者收集整理,如果你对这篇文章有兴趣,记得点赞哟.
numpy.where() 有两种用法:
满足条件(condition),输出x,不满足输出y.
如果是一维数组,相当于[xv if c else yv for (c,xv,yv) in zip(condition,x,y)] 。
1
2
3
4
5
6
7
8
9
10
11
|
>>> aa
=
np.arange(
10
)
>>> np.where(aa,
1
,
-
1
)
array([
-
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
])
# 0为False,所以第一个输出-1
>>> np.where(aa >
5
,
1
,
-
1
)
array([
-
1
,
-
1
,
-
1
,
-
1
,
-
1
,
-
1
,
1
,
1
,
1
,
1
])
>>> np.where([[
True
,
False
], [
True
,
True
]],
# 官网上的例子
[[
1
,
2
], [
3
,
4
]],
[[
9
,
8
], [
7
,
6
]])
array([[
1
,
8
],
[
3
,
4
]])
|
上面这个例子的条件为[[True,False], [True,False]],分别对应最后输出结果的四个值。第一个值从[1,9]中选,因为条件为True,所以是选1。第二个值从[2,8]中选,因为条件为False,所以选8,后面以此类推。类似的问题可以再看个例子:
1
2
3
4
5
6
7
|
>>> a
=
10
>>> np.where([[a >
5
,a <
5
], [a
=
=
10
,a
=
=
7
]],
[[
"chosen"
,
"not chosen"
], [
"chosen"
,
"not chosen"
]],
[[
"not chosen"
,
"chosen"
], [
"not chosen"
,
"chosen"
]])
array([[
'chosen'
,
'chosen'
],
[
'chosen'
,
'chosen'
]], dtype
=
'<U10'
)
|
只有条件 (condition),没有x和y,则输出满足条件 (即非0) 元素的坐标 (等价于numpy.nonzero)。这里的坐标以tuple的形式给出,通常原数组有多少维,输出的tuple中就包含几个数组,分别对应符合条件元素的各维坐标.
1
2
3
4
5
6
7
8
|
>>> a
=
np.array([
2
,
4
,
6
,
8
,
10
])
>>> np.where(a >
5
)
# 返回索引
(array([
2
,
3
,
4
]),)
>>> a[np.where(a >
5
)]
# 等价于 a[a>5]
array([
6
,
8
,
10
])
>>> np.where([[
0
,
1
], [
1
,
0
]])
(array([
0
,
1
]), array([
1
,
0
]))
|
上面这个例子条件中[[0,1],[1,0]]的真值为两个1,各自的第一维坐标为[0,1],第二维坐标为[1,0] .
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
|
>>> a
=
np.arange(
27
).reshape(
3
,
3
,
3
)
>>> a
array([[[
0
,
1
,
2
],
[
3
,
4
,
5
],
[
6
,
7
,
8
]],
[[
9
,
10
,
11
],
[
12
,
13
,
14
],
[
15
,
16
,
17
]],
[[
18
,
19
,
20
],
[
21
,
22
,
23
],
[
24
,
25
,
26
]]])
>>> np.where(a >
5
)
(array([
0
,
0
,
0
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
2
,
2
,
2
,
2
,
2
,
2
,
2
,
2
,
2
]),
array([
2
,
2
,
2
,
0
,
0
,
0
,
1
,
1
,
1
,
2
,
2
,
2
,
0
,
0
,
0
,
1
,
1
,
1
,
2
,
2
,
2
]),
array([
0
,
1
,
2
,
0
,
1
,
2
,
0
,
1
,
2
,
0
,
1
,
2
,
0
,
1
,
2
,
0
,
1
,
2
,
0
,
1
,
2
]))
# 符合条件的元素为
[
6
,
7
,
8
]],
[[
9
,
10
,
11
],
[
12
,
13
,
14
],
[
15
,
16
,
17
]],
[[
18
,
19
,
20
],
[
21
,
22
,
23
],
[
24
,
25
,
26
]]]
|
所以np.where会输出每个元素的对应的坐标,因为原数组有三维,所以tuple中有三个数组.
需要注意的一点是,输入的不能直接是list,需要转为array或者为array才行。比如range(10)和np.arange(10)后者返回的是数组,使用np.where才能达到效果.
1
|
numpy.argsort(a, axis
=
-
1
, kind
=
'quicksort'
, order
=
None
)
|
argsort(a)#获取a从小到大排列的数组 。
argsort(-a)#获取a从大到小排列的数组 。
argmin(a)#获取a最小值下标 。
argmax(a)#获取a最大值下标 。
功能: 将矩阵a按照axis排序,并返回排序后的下标 。
参数: a:输入矩阵, axis:需要排序的维度 。
返回值: 输出排序后的下标 。
1
2
3
4
|
import
numpy as np
x
=
np.array([
1
,
4
,
3
,
-
1
,
6
,
9
])
x.argsort()
# array([3, 0, 1, 2, 4, 5], dtype=int64)
|
可以发现,argsort()是将X中的元素从小到大排序后,提取对应的索引index,然后输出到y 。
如x[3]=-1最小,x[5]=9最大 。
所以取数组x的最小值可以写成
1
|
x[x.argsort()[
0
]]
|
或者用argmin()函数 。
1
|
x[x.argmin()]
|
数组x的最大值,写成:
1
|
x[x.argsort()[
-
1
]]
# -1代表从后往前反向的索引
|
或者用argmax()函数,不再详述 。
1
|
x[x.argmax()]
|
输出排序后的数组 。
1
2
3
|
x[x.argsort()]
# 或
x[np.argsort(x)]
|
1
2
3
|
x
=
np.array([[
1
,
5
,
4
],[
-
1
,
6
,
9
]])
# [[ 1 5 4]
# [-1 6 9]]
|
沿着行向下(每列)的元素进行排序 。
1
2
3
|
np.argsort(x,axis
=
0
)
# array([[1, 0, 0],
# [0, 1, 1]], dtype=int64)
|
沿着列向右(每行)的元素进行排序 。
1
2
3
|
np.argsort(x,axis
=
1
)
# array([[0, 2, 1],
# [0, 1, 2]], dtype=int64)
|
补充:Numpy.unravel_index()和Numpy.argsort() 。
由于编程和文笔都较差,写的不好请见谅... 。
今天下午学习LDA模型的python实现,其中用到了Numpy库,想详细了解用到的每个函数,便在网上找资料.
其中遇到了Numpy.unravel_index()和Numpy.argsort(),看了好半天才弄懂orz心血来潮记录一下 。
首先,附上英文官方文档。https://docs.scipy.org/doc/numpy-1.13.0/reference/generated/numpy.argsort.html和https://docs.scipy.org/doc/numpy/reference/generated/numpy.unravel_index.html 。
1
|
numpy.argsort(a, axis
=
-
1
, kind
=
'quicksort'
, order
=
None
)
|
参数说明:a要排序的数组, 。
axis整型或者None,如果是None,数组将变成扁平数组(即变成一行数组) 。
kind排序算法,快排,归并排序,堆排序... 。
order自定义字段顺序 。
返回: index_array :n维下标数组 。
实例:一维数组 。
二维数组 。
1
|
numpy.unravel_index(indices, dims, order
=
'C'
)
|
参数说明:indices数组 。
dims数组的维度大小 。
order:{C,F}(C行为主,F列为主) 。
返回: unraveled_coords为n维数组的元组 。
实例: 这个地方想了好久才明白T T 。
简单解释一下,22/6=3......4 。
总算写完了! 。
以上为个人经验,希望能给大家一个参考,也希望大家多多支持我。如有错误或未考虑完全的地方,望不吝赐教.
原文链接:https://www.cnblogs.com/henuliulei/p/13296068.html 。
最后此篇关于浅谈numpy.where() 的用法和np.argsort()的用法说明的文章就讲到这里了,如果你想了解更多关于浅谈numpy.where() 的用法和np.argsort()的用法说明的内容请搜索CFSDN的文章或继续浏览相关文章,希望大家以后支持我的博客! 。
有时评估积分非常困难,但很容易验证解是否正确。在我看来它至少应该是 np,但我对这个概念的理解是有限的,我可能会遗漏一些东西 编辑:为了清楚起见,我很好奇算法的复杂性,该算法找到函数的反导数以解决不定
我对这三个类别的理解是否正确? 要证明问题 X 是 NP: 表明 X 可以在多项式时间内确定性地得到验证(或者X 可以使用 NTM 解决) 要证明问题 X 是 NP 完全的: 表明 X 可以在多项式时
有什么区别NP , NP-完全和 NP-Hard ? 我知道网上有很多资源。我想阅读你的解释,原因是它们可能与外面的不同,或者有一些我不知道的东西。 最佳答案 我假设您正在寻找直观的定义,因为技术定义
我正在寻找一种方法来检查 numpy 数组是 np.float64 还是 np.float32。这适用于 np.float64: a = np.random.rand(10) if not issub
我知道 np.nanargmin 找到列表中不是 NaN 的最小数字。但是,如果调用数组 [np.nan, np.inf],它会产生 0,这是一个 NaN。我发现这种行为很奇怪,我只是想知道以这种方式
关闭。这个问题不符合Stack Overflow guidelines .它目前不接受答案。 这个问题似乎与 help center 中定义的范围内的编程无关。 . 关闭 8 年前。 Improve
我很好奇使用 np.empty 到底有多大不同?而不是 np.zeros ,以及关于 np.ones 的区别.我运行这个小脚本来对每个创建大型数组所花费的时间进行基准测试: import numpy
在操作矩阵的时候,不同的接口对于矩阵的输入维度要求不同,输入可能为1-D,2-D,3-D等等。下面介绍一下使用Numpy进行矩阵维度变更的相关方法。主要包括以下几种: 1、np.newaxis扩充
除了使用一组 or 语句之外 isinstance( x, np.float64 ) 或 isinstance( x, np.float32 ) 或 isinstance( np.float16 )
我尝试了以下代码,但没有发现 np.dot 和 np.multiply 与 np.sum 之间的区别 这里是 np.dot 代码 logprobs = np.dot(Y, (np.log(A2)).T
我编写了一些程序来更新 numpy在每次迭代中列出并对其进行一些操作。迭代次数取决于时间。例如在 1 秒内,可能有 1000 到 2500 次迭代。这意味着 numpy 列表中的项目对于运行程序 1
我有以下两个数据框: a = pd.DataFrame([[1,2, 3],[4,3,6], [np.nan, 2, np.nan]]) 0 1 2 0 1.0 2 3.0 1
我有一个包含很多非零值的数组。当我使用以下方法计算非零项目总数时,我得到了 2 个不同的结果: 1) non_zero_weights = np.any(np.not_equal(lr_l1.coef
我对这么多int有点挣扎cython 中的数据类型。 np.int, np.int_, np.int_t, int 我猜 int在纯python中相当于np.int_ , 那么 np.int 在哪里来
如果您要选择以下三种初始化零数组的方法之一,您会选择哪一种以及为什么? my_arr_1 = np.full(size, 0) 或 my_arr_2 = np.zeros(size) 或 my_arr
我正在使用 np.select 根据应用于其他列的多个条件创建一个新列。这是一个简单的例子: df = pd.DataFrame({'A': [0, 3, 4], 'B': [10, 0, 2]})
我正在使用 np.select 根据应用于其他列的多个条件创建一个新列。这是一个简单的例子: df = pd.DataFrame({'A': [0, 3, 4], 'B': [10, 0, 2]})
我正在读这个code ,用于从头开始实现线性回归: # convert from data frames to numpy matrices X = np.matrix(X.values) y = n
我正在解压缩具有许多不同数据类型的大型二进制文件 (~1GB)。我正处于创建循环以隐藏每个字节的早期阶段。我一直在使用 struct.unpack,但最近认为如果我使用 numpy 它会运行得更快。然
我需要从依存分析树中提取形式为 NP-VP-NP 的三元组,作为 Stanford Parser 中词汇化分析的输出。 执行此操作的最佳方法是什么。例如如果解析树如下: (ROOT (S
我是一名优秀的程序员,十分优秀!