为什么 numpy 给出这个结果：
x = numpy.array([1.48,1.41,0.0,0.1])
print x.argsort()
>[2 3 1 0]
当我期望它这样做时：
[3 2 0 1]
显然我对函数的理解不足。
问问题
100909 次
10 回答
165
于 2013-07-27T18:48:07.930 回答
48
[2, 3, 1, 0]表示最小元素在索引 2 处，下一个最小元素在索引 3 处，然后是索引 1，然后是索引 0。
有多种方法可以获得您正在寻找的结果：
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
例如，
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])
这将检查它们是否都产生相同的结果：
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))
这些 IPython%timeit基准测试表明大型数组using_indexed_assignment是最快的：
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
对于小型阵列，using_argsort_twice可能会更快：
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
另请注意，这stats.rankdata使您可以更好地控制如何处理等值元素。
于 2013-07-27T18:47:52.837 回答
4
正如文档所说，argsort：
返回将对数组进行排序的索引。
这意味着 argsort 的第一个元素是应该首先排序的元素的索引，第二个元素是应该是第二个元素的索引，等等。
您似乎想要的是值的排名顺序，这是由scipy.stats.rankdata. 请注意，您需要考虑如果队伍中有平局会发生什么。
于 2013-07-27T18:48:07.037 回答
3
numpy.argsort(a, axis=-1, kind='quicksort', order=None)
返回将对数组进行排序的索引
使用 kind 关键字指定的算法沿给定轴执行间接排序。它以排序顺序沿给定轴返回与索引数据形状相同的索引数组。
考虑python中的一个例子，有一个值列表
listExample = [0 , 2, 2456, 2000, 5000, 0, 1]
现在我们使用 argsort 函数：
import numpy as np
list(np.argsort(listExample))
输出将是
[0, 5, 6, 1, 3, 2, 4]
这是 listExample 中值的索引列表，如果将这些索引映射到相应的值，那么我们将得到如下结果：
[0, 0, 1, 2, 2000, 2456, 5000]
（我发现这个函数在很多地方都非常有用，例如如果你想对列表/数组进行排序但不想使用 list.sort() 函数（即不改变列表中实际值的顺序）你可以使用这个功能。）
有关更多详细信息，请参阅此链接：https ://docs.scipy.org/doc/numpy-1.15.0/reference/generated/numpy.argsort.html
于 2019-01-17T10:10:32.413 回答
1
输入：
将 numpy 导入为 np
x = np.array([1.48,1.41,0.0,0.1])
x.argsort().argsort()
输出：
数组（[3, 2, 0, 1]）
于 2018-02-18T01:50:11.650 回答
0
它根据给定的数组索引返回索引[1.48,1.41,0.0,0.1]，这意味着：
0.0是索引 [2] 中的第一个元素。
0.1是第二个元素，在 index[3] 中。
1.41是第三个元素，在索引 [1] 中。
1.48是第四个元素，在 index[0] 中。输出：
[2,3,1,0]
于 2019-10-17T15:37:38.527 回答
0
np.argsort 返回由“kind”（指定排序算法的类型）给出的排序数组的索引。但是，当列表与 np.argmax 一起使用时，它会返回列表中最大元素的索引。而 np.sort 对给定的数组 list 进行排序。
于 2018-07-22T08:47:18.020 回答
0
只是想直接将OP的原始理解与代码的实际实现进行对比。
numpy.argsort定义为对于一维数组：
x[x.argsort()] == numpy.sort(x) # this will be an array of True's
OP 最初认为它是这样定义的，对于一维数组：
x == numpy.sort(x)[x.argsort()] # this will not be True
注意：此代码在一般情况下不起作用（仅适用于 1D），此答案仅用于说明目的。
于 2017-11-17T07:33:27.510 回答
0
首先，它被排序为数组。然后用数组的初始索引生成一个数组。
于 2017-06-27T01:27:27.490 回答
0
对于任何想知道“为什么使用 argsort”的人，我的回答是“使用一个数组对另一个数组进行排序”：
In [49]: a = np.array(list('asdf'))
In [50]: b = [3,2,0,1]
In [51]: np.argsort(b)
Out[51]: array([2, 3, 1, 0])
In [52]: a[np.argsort(b)]
Out[52]: array(['d', 'f', 's', 'a'], dtype='<U1')
这对于列数据非常有用，例如一列姓名和一列工资，并且您想查看 N 个最高薪人的姓名。
于 2021-11-05T03:38:54.770 回答