np.argsort()、 np.where()、 np.reshape()等用法

一时失言乱红尘 2024-04-18 16:33 27阅读 0赞

### 一. np.argsort() ###

用于返回数组的排序后的索引值，红色是原索引顺序，.argsort()返回排序后的索引。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70]

#### np.argmax(a, axis) ####

这里axis 表示取a的那个轴作比较，axis=0，表示一列一列作比较，选（0,5）5大是1，（4,2）4大是0，依次内推…  
axis=1表示一行一行作比较  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 1]

### 二.np.reshape() ###

用于改变多维数组的维度大小  
先看一个简单的例子  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 2]  
稍微复杂一点, -1 写的很妙， 表示一个 值x（the unspecified value is inferred to be x）, 让程序自己推断，reshape成\[-1\],只有一维，下面例子-1 就代表20

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 3]  
再看一个例子,这里\[-1,3 \]就代表\[16,3\], 将\[2,2,4,3\]高维降低为\[16,3\]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 4]

### 三、np.where() ###

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。

### 四、np.concatenate（） ###

按行堆起来  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 5]  
注 ： np.where参考 https://www.cnblogs.com/massquantity/p/8908859.html

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/6e1fd85039194359a6d994ddcb3837a3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 1]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/26810ba9b916465a949fb6eacbbf80c0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 2]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/e2d12204db9a42c784fc2e0befb419a5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 3]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/e404d0dbf6db415886a40fac4dd03e73.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 4]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/5cd3356c50b94bdda6859e3d6c090798.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 5]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/015f6d69837b405bb0955b890f774773.png