浅谈numpy.where() 的用法和np.argsort()的用法说明
numpy.where() 有两种用法：
1. np.where(condition, x, y)
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)]
>>> 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：
>>> 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')
2. np.where(condition)
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。
>>> 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] 。
下面看个复杂点的例子：
>>> 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。
np.argsort()的用法
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
(一维数组)
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:
x[x.argsort()[0]]
或者用argmin()函数
x[x.argmin()]
数组x的最大值，写成：
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
x[x.argmax()]
输出排序后的数组
x[x.argsort()] # 或 x[np.argsort(x)]
(二维数组)
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
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
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
讲讲我对Numpy.argsort()的理解：
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
然后讲讲我对numpy.unravel_index的理解~
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脚本之家。如有错误或未考虑完全的地方，望不吝赐教。
相关文章
这篇文章主要介绍了python关闭print输出信息详情，当我们遇到需要关闭print输出信息的情况，我们可以通过控制sys.stdout来实现print输出的开关，下面文章就用一个简单的例子来实现，需要的小伙伴可以参考一下2022-02-02
这篇文章主要介绍了深入理解Python中各种方法的运作原理,包括抽象方法和静态方法和类方法等之间异同的比较,需要的朋友可以参考下2015-06-06
PaddleSpeech基于飞桨PaddlePaddle的语音方向的开源模型库，用于语音和音频中的各种关键任务的开发，包含大量基于深度学习前沿和有影响力的模型。本文将介绍如何通过PaddleSpeech实现语音文字处理，感兴趣的可以学习一下2022-01-01
这篇文章主要为大家详细介绍了Python实现神经网络(BP)算法及简单应用，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2018-04-04
这篇文章主要通过几个案例为大家详细介绍一下在Python中执行py文件是否需要可执行权限，文中的示例代码讲解详细，对我们学习Python有一定帮助，需要的可以了解一下2023-03-03
本文讨论Python的for…else和while…else语法，这是Python中最不常用、最为误解的语法特性之一2016-02-02
这篇文章主要介绍了Python map和reduce函数用法示例,本文给出了两个函数的多个用法示例,需要的朋友可以参考下2015-02-02
这篇文章主要介绍了基于python 开立方的注意事项说明，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2021-03-03
这篇文章主要介绍了Python入门教程(十九)python的函数,函数是组织好的，可重复使用的，用来实现单一，或相关联功能的代码段,需要的朋友可以参考下2023-04-04
exec函数执行的是python语句，没有返回值，eval函数执行的是python表达式，有返回值，exec函数和eval函数都可以传入命名空间作为参数，本文给大家介绍下Python eval()和exec()函数，感兴趣的朋友跟随小编一起看看吧2023-01-01
最新评论