这是我目前正在做的事情,它可以工作,但有点麻烦:
x = np.matrix([[1, 1], [2, -3]])
xmax = x.flat[abs(x).argmax()]
您正在寻找的价值必须是您x.max()
可以x.min()
做到的
max(x.min(), x.max(), key=abs)
这类似于 aestrivex 的解决方案,但可能更具可读性?x.min()
请注意,这将在和x.max()
具有相同绝对值的情况下返回最小值,例如-5
和5
。如果您有偏好,只需max
相应地订购输入。
我正在寻找一种方法来获取沿指定轴的 N 维数组的最大绝对值的有符号值,这些答案都没有处理。所以,我整理了一个函数来完成它。没有承诺,但据我测试它是有效的:
def maxabs(a, axis=None):
"""Return slice of a, keeping only those values that are furthest away
from 0 along axis"""
maxa = a.max(axis=axis)
mina = a.min(axis=axis)
p = abs(maxa) > abs(mina) # bool, or indices where +ve values win
n = abs(mina) > abs(maxa) # bool, or indices where -ve values win
if axis == None:
if p: return maxa
else: return mina
shape = list(a.shape)
shape.pop(axis)
out = np.zeros(shape, dtype=a.dtype)
out[p] = maxa[p]
out[n] = mina[n]
return out
这个可以快速计算绝对最大值——尊重任意axis
参数的方式np.max
与np.argmax
它们自己的方式相同。
def absmaxND(a, axis=None):
amax = a.max(axis)
amin = a.min(axis)
return np.where(-amin > amax, amin, amax)
a.flat[abs(a).argmax()]
对于长数组,它甚至比简单情况快 2.5 倍axis=None
——因为它不会渲染原始大数组的 abs()。
最紧凑的方式可能是:
x_max = np.abs(x).max()
默认情况下,该.max()
方法直接对展平数组进行操作(取自NumPy 文档)。因此该操作查找 n 维数组的最大绝对值np.abs(x)
。
此外,它比问题的解决方案快 2000 倍以上。考虑到在 Дмитрий Пасько 的示例中应用的 IPython%time
魔术函数,我得到(在带有 Python 3.8 和 NumPy 1.19.1 的 MacBook Pro 2015 上):
x = np.random.rand(50000, 500) - 0.5
# numpy solution
x_max = np.abs(x).max()
"Wall time: 67.7 µs"
# question's solution
%time xmax = x[abs(x).argmax()]
"Wall time: 157 ms"
# Daniel's solution
%time xmax=x[np.unravel_index(abs(x).argmax(), x.shape)]
"Wall time: 88.9 µs"
# Дмитрий Пасько's solution
%time newdt = np.array([dt.min(),dt.max()])
... xmax = newdt.flat[abs(newdt).argmax()]
"Wall time: 26.7 ms"
编辑:我的回答是题外话,对不起。正如 Ophion 指出的那样,这将返回索引,而不是值 - 你必须使用flat
我的“xmax
”(实际上是“xmaxInd
”)来获得正确的值。Ergo 我认为您的解决方案是最好的。
经过一番试验后,我意识到你可以这样做:
x = np.matrix([[1,1], [2,-3]])
absX = abs(x)
xmax = argmax(absX)
似乎 numpy 允许您使用矩阵abs
的argmax
和 。多么方便!
timeit
检查:
def meth1():
x = np.matrix([[1,1],[2,-3]])
xmax = x.flat[abs(x).argmax()]
def meth2():
x = np.matrix([[1,1],[2,-3]])
xmax = argmax(abs(x))
t1 = timeit.Timer("meth1()","from __main__ import meth1")
t2 = timeit.Timer("meth2()","from __main__ import meth2")
mean(t1.repeat(1,100000))
给予Out[99]: 7.854323148727417
mean(t2.repeat(1,100000))
给予Out[98]: 7.7788529396057129
所以meth2()
稍微快一点。可能是因为它不涉及调用flat
。
我唯一能想到的,看起来更糟的是:
xmax=x[np.unravel_index(abs(x).argmax(), x.shape)]
我用这个
dt = np.random.rand(50000,500)-0.5
# ur
xmax = dt.flat[abs(dt).argmax()] #230 ms
# new
newdt = np.array([dt.min(),dt.max()]) # 56ms
xmax = newdt.flat[abs(newdt).argmax()] # 4ms
它几乎快了 4 倍(60 毫秒对 230 毫秒)!!
请原谅死灵,但我似乎无法评论JoeCondron的回答。
我喜欢:
max(x.min(), x.max(), key=abs)
但我相信它可以进一步简化:
max(x, key=abs)
似乎对我有用(或非一维):
max(x.flat, key=abs)
我认为这是一种非常简单的方法,如果代码可读性是您的主要关注点,它可能会稍微好一些。但实际上,你的方式同样优雅。
np.min(x) if np.max(abs(x)) == abs(np.min(x)) else np.max(x)