Нисходящий арссорт - что он делает?

Ответ 1

Согласно документации

Возвращает индексы, которые будут сортировать массив.

• 2 - это индекс 0.0.
• 3 - это индекс 0.1.
• 1 - это индекс 1.41.
• 0 - это индекс 1.48.

Ответ 2

[2, 3, 1, 0] указывает, что наименьший элемент имеет индекс 2, следующий наименьший по индексу 3, затем индекс 1, затем индекс 0.

Есть несколько способов, чтобы получить результат, который вы ищете:

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

Например,

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])

Это проверяет, что все они дают одинаковый результат:

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))

Эти тесты IPython %timeit для больших массивов using_indexed_assignment являются самыми быстрыми:

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

Для небольших массивов using_argsort_twice может быть быстрее:

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

Обратите внимание, что stats.rankdata дает вам больше контроля над тем, как обращаться с элементами равной ценности.

Ответ 3

Как в документации говорится: argsort:

Возвращает индексы, которые будут сортировать массив.

Это означает, что первым элементом argsort является индекс элемента, который должен быть отсортирован первым, второй элемент - это индекс элемента, который должен быть вторым и т.д.

То, что вам кажется нужным, - это порядок рангов значений, который предоставляется scipy.stats.rankdata. Обратите внимание, что вам нужно подумать о том, что должно произойти, если есть связи в рядах.

Ответ 4

numpy.argsort(a, axis = -1, kind = 'quicksort', order = None)

Возвращает индексы, которые будут сортировать массив

Произведите косвенную сортировку по заданной оси, используя алгоритм, заданный ключевым словом kind. Он возвращает массив индексов той же формы, что и данные индекса по заданной оси в отсортированном порядке.

Рассмотрим один пример в Python, имеющий список значений в виде

listExample  = [0 , 2, 2456,  2000, 5000, 0, 1]

Теперь мы используем функцию argsort:

import numpy as np
list(np.argsort(listExample))

Выход будет

[0, 5, 6, 1, 3, 2, 4]

Это список индексов значений в listExample. Если вы сопоставите эти индексы с соответствующими значениями, мы получим следующий результат:

[0, 0, 1, 2, 2000, 2456, 5000]

(Я считаю эту функцию очень полезной во многих местах, например, если вы хотите отсортировать список/массив, но не хотите использовать функцию list.sort() (т.е. без изменения порядка фактических значений в списке), вы можете использовать это функция).

Для получения дополнительной информации перейдите по этой ссылке: https://docs.scipy.org/doc/numpy-1.15.0/reference/generated/numpy.argsort.html

Ответ 5

Сначала было заказано массив. Затем сгенерируйте массив с начальным индексом массива.

Ответ 6

вход:
импортировать numpy как np
x = np.array([1,48, 1,1,0,0,0,1])
x.argsort(). argsort()

вывод:
массив ([3, 2, 0, 1])

Ответ 7

np.argsort возвращает индекс отсортированного массива, заданный "kind" (который определяет тип алгоритма сортировки). Однако, когда список используется с np.argmax, он возвращает индекс самого большого элемента в списке. Пока, np.sort, сортирует данный массив, список.

Ответ 8

Возвращает индексы в соответствии с заданными индексами массива, что означает: 0.0 является первым элементом в индексе [2] 0.1 является вторым элементом в индексе [3] 1.41 - третий элемент в индексе [1] 1.48 является четвертым элементом в индексе [0] Выход:

[2,3,1,0]

Ответ 9

Просто хочу напрямую сопоставить исходное понимание OP с реальной реализацией с кодом.

numpy.argsort определен так, что для одномерных массивов:

x[x.argsort()] == numpy.sort(x) # this will be an array of True's

ОП изначально думал, что он определен так, что для 1D-массивов:

x == numpy.sort(x)[x.argsort()] # this will not be True

Примечание: Этот код не работает в общем случае (работает только для 1D), этот ответ предназначен исключительно для иллюстрации.