详解numpy的argmax的具体使用-6ren

详解numpy的argmax的具体使用

转载作者：qq735679552 更新时间：2022-09-28 22:32:09

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的博客文章详解numpy的argmax的具体使用由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.

从最简单的例子出发。

假定现在有一个数组a = [3, 1, 2, 4, 6, 1]现在要算数组a中最大数的索引是多少.这个问题对于刚学编程的同学就能解决.最直接的思路,先假定第0个数最大,然后拿这个和后面的数比,找到大的就更新索引.代码如下。

 
    ? 
   
         a  
         = 
         [ 
         3 
         ,  
         1 
         ,  
         2 
         ,  
         4 
         ,  
         6 
         ,  
         1 
         ] 
        
         maxindex  
         = 
         0 
        
         i  
         = 
         0 
        
         for 
         tmp  
         in 
         a: 
        
         if 
         tmp > a[maxindex]: 
        
         maxindex  
         = 
         i 
        
         i  
         + 
         = 
         1 
        
         print 
         (maxindex)

这个问题虽然简单.但是可以帮助我们理解argmax. 。

解释。

还是从一维数组出发.看下面的例子. 。

 
    ? 
   
         import 
         numpy as np 
        
         a  
         = 
         np.array([ 
         3 
         ,  
         1 
         ,  
         2 
         ,  
         4 
         ,  
         6 
         ,  
         1 
         ]) 
        
         print 
         (np.argmax(a))

argmax返回的是最大数的索引.argmax有一个参数axis,默认是0,表示第几维的最大值.看二维的情况. 。

 
    ? 
   
 
     
       
       
         import 
         numpy as np 
        
 
         a  
         = 
         np.array([[ 
         1 
         ,  
         5 
         ,  
         5 
         ,  
         2 
         ], 
        
 
                 
         [ 
         9 
         ,  
         6 
         ,  
         2 
         ,  
         8 
         ], 
        
 
                 
         [ 
         3 
         ,  
         7 
         ,  
         9 
         ,  
         1 
         ]]) 
        
 
         print 
         (np.argmax(a, axis 
         = 
         0 
         )) 
        
 
     
 
   

为了描述方便,a就表示这个二维数组.np.argmax(a, axis=0)的含义是a[0][j],a[1][j],a[2][j](j=0,1,2,3)中最大值的索引.从a[0][j]开始,最大值索引最初为(0,0,0,0),拿a[0][j]和a[1][j]作比较,9大于1,6大于5,8大于2,所以最大值索引由(0,0,0,0)更新为(1,1,0,1),再和a[2][j]作比较,7大于6,9大于5所以更新为(1,2,2,1).再分析下面的输出. 。

 
    ? 
   
 
     
       
       
         import 
         numpy as np 
        
 
         a  
         = 
         np.array([[ 
         1 
         ,  
         5 
         ,  
         5 
         ,  
         2 
         ], 
        
 
                 
         [ 
         9 
         ,  
         6 
         ,  
         2 
         ,  
         8 
         ], 
        
 
                 
         [ 
         3 
         ,  
         7 
         ,  
         9 
         ,  
         1 
         ]]) 
        
 
         print 
         (np.argmax(a, axis 
         = 
         1 
         )) 
        
 
     
 
   

np.argmax(a, axis=1)的含义是a[i][0],a[i][1],a[i][2],a[i][3](i=0,1,2)中最大值的索引.从a[i][0]开始,a[i][0]对应的索引为(0,0,0),先假定它就是最大值索引(思路和上节简单例子完全一致)拿a[i][0]和a[i][1]作比较,5大于1,7大于3所以最大值索引由(0,0,0)更新为(1,0,1),再和a[i][2]作比较,9大于7,更新为(1,0,2),再和a[i][3]作比较,不用更新,最终值为(1,0,2) 再看三维的情况. 。

 
    ? 
   
 
     
       
       
         import 
         numpy as np 
        
 
         a  
         = 
         np.array([ 
        
 
                 
         [ 
        
 
                   
         [ 
         1 
         ,  
         5 
         ,  
         5 
         ,  
         2 
         ], 
        
 
                   
         [ 
         9 
         ,  
         - 
         6 
         ,  
         2 
         ,  
         8 
         ], 
        
 
                   
         [ 
         - 
         3 
         ,  
         7 
         ,  
         - 
         9 
         ,  
         1 
         ] 
        
 
                 
         ], 
        

            
        
 
                 
         [ 
        
 
                   
         [ 
         - 
         1 
         ,  
         5 
         ,  
         - 
         5 
         ,  
         2 
         ], 
        
 
                   
         [ 
         9 
         ,  
         6 
         ,  
         2 
         ,  
         8 
         ], 
        
 
                   
         [ 
         3 
         ,  
         7 
         ,  
         9 
         ,  
         1 
         ] 
        
 
                 
         ] 
        
 
                
         ]) 
        
 
         print 
         (np.argmax(a, axis 
         = 
         0 
         )) 
        
 
     
 
   

np.argmax(a, axis=0)的含义是a[0][j][k],a[1][j][k] (j=0,1,2,k=0,1,2,3)中最大值的索引.从a[0][j][k]开始,a[0][j][k]对应的索引为((0,0,0,0),(0,0,0,0),(0,0,0,0)),拿a[0][j][k]和a[1][j][k]对应项作比较6大于-6,3大于-3,9大于-9,所以更新这几个位置的索引,将((0,0,0,0),(0,0,0,0),(0,0,0,0))更新为((0,0,0,0),(0,1,0,0),(1,0,1,0)). 再看axis=1的情况. 。

 
    ? 
   
 
     
       
       
         import 
         numpy as np 
        
 
         a  
         = 
         np.array([ 
        
 
                 
         [ 
        
 
                   
         [ 
         1 
         ,  
         5 
         ,  
         5 
         ,  
         2 
         ], 
        
 
                   
         [ 
         9 
         ,  
         - 
         6 
         ,  
         2 
         ,  
         8 
         ], 
        
 
                   
         [ 
         - 
         3 
         ,  
         7 
         ,  
         - 
         9 
         ,  
         1 
         ] 
        
 
                 
         ], 
        

            
        
 
                 
         [ 
        
 
                   
         [ 
         - 
         1 
         ,  
         5 
         ,  
         - 
         5 
         ,  
         2 
         ], 
        
 
                   
         [ 
         9 
         ,  
         6 
         ,  
         2 
         ,  
         8 
         ], 
        
 
                   
         [ 
         3 
         ,  
         7 
         ,  
         9 
         ,  
         1 
         ] 
        
 
                 
         ] 
        
 
                
         ]) 
        
 
         print 
         (np.argmax(a, axis 
         = 
         1 
         )) 
        
 
     
 
   

np.argmax(a, axis=1)的含义是a[i][0][k],a[i][1][k] (i=0,1,k=0,1,2,3)中最大值的索引.从a[i][0][k]开始,a[i][0][k]对应的索引为((0,0,0,0),(0,0,0,0)),拿a[i][0][k]和a[i][1][k]对应项作比较,9大于1,8大于2,9大于-1,6大于5,2大于-5,8大于2,所以更新这几个位置的索引,将((0,0,0,0),(0,0,0,0))更新为((1,0,0,1),(1,1,1,1)),现在最大值对应的数组为((9,5,5,8),(9,6,2,8)).再拿((9,5,5,8),(9,6,2,8))和a[i][2][k]对应项从比较,7大于5,7大于6,9大于2.更新这几个位置的索引.将((1,0,0,1),(1,1,1,1))更新为((1,2,0,1),(1,2,2,1)).axis=2的情况也是类似的. 。

参考资料。

numpy官方文档。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我.

原文链接：https://www.cnblogs.com/zhouyang209117/p/6512302.html 。

最后此篇关于详解numpy的argmax的具体使用的文章就讲到这里了,如果你想了解更多关于详解numpy的argmax的具体使用的内容请搜索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！。

文章推荐： Django框架设置cookies与获取cookies操作详解

文章推荐： numpy下的flatten()函数用法详解

文章推荐： numpy.random模块用法总结

文章推荐： Django框架自定义session处理操作示例

numpy - 检查一个 numpy 数组是否是一个 numpy 掩码数组
作为脚本的输出，我有 numpy masked array和标准numpy array .如何在运行脚本时轻松检查数组是否为掩码(具有 data 、 mask 属性)？最佳答案您可以通过 isin
python - 检查一个 numpy 数组中有多少个 numpy 数组与另一个不同大小的 numpy 数组中的其他 numpy 数组相等
我的问题假设我有 a = np.array([ np.array([1,2]), np.array([3,4]), np.array([5,6]), np.array([7,8]), np.arra
numpy - Numpy 是否具有内置的元素矩阵模幂实现
numpy 是否有用于矩阵模幂运算的内置实现？ (正如 user2357112 所指出的，我实际上是在寻找元素明智的模块化减少) 对常规数字进行模幂运算的一种方法是使用平方求幂 (https://en
numpy - 向量化梯度下降 Numpy
我已经在 Numpy 中实现了这个梯度下降: def gradientDescent(X, y, theta, alpha, iterations): m = len(y) for i
numpy - 如何在不编译源代码的情况下安装 Numpy
我有一个使用 Numpy 在 CentOS7 上运行的项目。问题是安装此依赖项需要花费大量时间。因此，我尝试 yum install pip install 之前的 numpy 库它。所以我跑:
python - Numpy:用 numpy 数组替换 numpy 数组中的零
处理我想要旋转的数据。请注意，我仅限于 numpy，无法使用 pandas。原始数据如下所示: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
numpy - numpy 中的随机数种子
numpy.random.seed(7) 在不同的机器学习和数据分析教程中，我看到这个种子集有不同的数字。选择特定的种子编号真的有区别吗？或者任何数字都可以吗？选择种子数的目标是相同实验的可重复性。
numpy - numpy 数组的内存映射文件
我需要读取存储在内存映射文件中的巨大 numpy 数组的部分内容，处理数据并对数组的另一部分重复。整个 numpy 数组占用大约 50 GB，我的机器有 8 GB RAM。我最初使用 numpy.m
python - Numpy:用 numpy 数组替换 numpy 数组中的零
处理我想要旋转的数据。请注意，我仅限于 numpy，无法使用 pandas。原始数据如下所示: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
numpy - numpy.empty() 优于 numpy.ndarray() 的目的是什么？
似乎 numpy.empty() 可以做的任何事情都可以使用 numpy.ndarray() 轻松完成，例如: >>> np.empty(shape=(2, 2), dtype=np.dtype('d
numpy - numpy 数组中标记组件之间的最小边到边欧氏距离
我在大型 numpy 数组中有许多不同的形式，我想使用 numpy 和 scipy 计算它们之间的边到边欧氏距离。注意:我进行了搜索，这与堆栈中之前的其他问题不同，因为我想获得数组中标记 block
python - numpy 数组的 numpy 数组 numpy 数组的
我有一个大小为 (2x3) 的 numpy 对象数组。我们称之为M1。在M1中有6个numpy数组。M1 给定行中的数组形状相同，但与 M1 任何其他行中的数组形状不同。也就是说， M1 = [ [
numpy - numpy 点积的爱因斯坦符号
如何使用爱因斯坦表示法编写以下点积？ import numpy as np LHS = np.ones((5,20,2)) RHS = np.ones((20,2)) np.sum([ np.
python - 如何仅使用 numpy 操作根据其他两个 numpy 数组的条件获取新的 numpy 数组？
假设我有 np.array of a = [0, 1, 1, 0, 0, 1] 和 b = [1, 1, 0, 0, 0, 1] 我想要一个新矩阵 c 使得如果 a[i] = 0 和 b[i] = 0
python - Numpy:在另一个 numpy 数组中创建一批 numpy 数组( reshape )
我有一个形状为 (32,5) 的 numpy 数组 batch。批处理的每个元素都包含一个 numpy 数组 batch_elem = [s,_,_,_,_] 其中 s = [img,val1,val
python - 无法将 NumPy 数组转换为张量(不支持的对象类型 numpy.ndarray)- 已经将数据转换为 numpy 数组
尝试为基于文本的多标签分类问题训练单层神经网络。 model= Sequential() model.add(Dense(20, input_dim=400, kernel_initializer='
python - 从 2D numpy 数组的 numpy 数组高效创建 block numpy 数组
首先是一个简单的例子 import numpy as np a = np.ones((2,2)) b = 2*np.ones((2,2)) c = 3*np.ones((2,2)) d = 4*np.
python - 使用 numpy.mean 或 numpy.average 平均二维 numpy.array
我正在尝试平均二维 numpy 数组。所以，我使用了 numpy.mean 但结果是空数组。 import numpy as np ws1 = np.array(ws1) ws1_I8 = np.ar
python - 基于 2D numpy 索引数组排列 numpy 2D 数组的 numpy 方式是什么？
import numpy as np x = np.array([[1,2 ,3], [9,8,7]]) y = np.array([[2,1 ,0], [1,0,2]]) x[y] 预期输出: ar
numpy - Python numpy 矩阵乘法与一个对角矩阵
我有两个数组 A (4000,4000)，其中只有对角线填充了数据，而 B (4000,5) 填充了数据。有没有比 numpy.dot(a,b) 函数更快的方法来乘(点)这些数组？到目前为止，我发现

qq735679552

个人简介

我是一名优秀的程序员,十分优秀！

作者热门文章

滴滴打车优惠券免费领取

全站热门文章

首页

博学

6Ren·AI

商城

详解numpy的argmax的具体使用