排序
排序是指以特定格式排列数据。排序算法指定以特定顺序排列数据的方式。最常见的顺序是数字或字典顺序。在 Numpy 中，我们可以使用库中提供的各种函数（如 sort、lexsort、argsort 等）执行各种排序操作。
numpy.sort()： 此函数返回数组的排序副本。
# 导入库
import numpy as np
# 沿第一轴排序
a = np.array([[12, 15], [10, 1]])
arr1 = np.sort(a, axis = 0)
print ("Along first axis : \n", arr1)
# 沿最后一个轴排序
a = np.array([[10, 15], [12, 1]])
arr2 = np.sort(a, axis = -1)
print ("\nAlong first axis : \n", arr2)
a = np.array([[12, 15], [10, 1]])
arr1 = np.sort(a, axis = None)
print ("\nAlong none axis : \n", arr1)
输出 ：
Along first axis :
[[10 1]
[12 15]]
Along first axis :
[[10 15]
[ 1 12]]
Along none axis :
[ 1 10 12 15]
numpy.argsort()： 此函数返回将对数组进行排序的索引。
# 演示 numpy.argsort 工作的 Python 代码
import numpy as np
# 已创建 Numpy 数组
a = np.array([9, 3, 1, 7, 4, 3, 6])
# 未排序的数组打印
print('Original array:\n', a)
# 排序数组索引
b = np.argsort(a)
print('Sorted indices of original array->', b)
# 要使用排序索引获取排序数组 c 是由与 b 相同的 len 创建的临时数组
c = np.zeros(len(b), dtype = int)
for i in range(0, len(b)):
c[i]= a[b[i]]
print('Sorted array->', c)
在 IDE 上运行
输出：
Original array:
[9 3 1 7 4 3 6]
Sorted indices of original array-> [2 1 5 4 6 3 0]
Sorted array-> [1 3 3 4 6 7 9]
numpy.lexsort()： 此函数使用一系列键返回间接稳定排序。
# 演示 numpy.lexsort() 工作的 Python 代码
import numpy as np
# numpy数组创建第一列
a = np.array([9, 3, 1, 3, 4, 3, 6])
# 第二栏
b = np.array([4, 6, 9, 2, 1, 8, 7])
print('column a, column b')
for (i, j) in zip(a, b):
print(i, ' ', j)
# 按 a 然后按 b 排序
ind = np.lexsort((b, a))
print('Sorted indices->', ind)
输出 ：
column a, column b
9 4
3 6
1 9
3 2
4 1
3 8
6 7
Sorted indices-> [2 3 1 5 4 6 0]
| 功能 | 描述 |
|---|---|
| numpy.ndarray.sort() | 就地对数组进行排序。 |
| numpy.msort() | 返回沿第一个轴排序的数组的副本。 |
| numpy.sort_complex() | 首先使用实部对复数数组进行排序，然后使用虚部。 |
| numpy.partition() | 返回数组的分区副本。 |
| numpy.argpartition() | 使用 kind 关键字指定的算法沿给定轴执行间接分区。 |
搜索
搜索是一种操作或技术，可帮助查找给定元素或值在列表中的位置。根据是否找到正在搜索的元素，任何搜索都被称为成功或不成功。在 Numpy 中，我们可以使用库中提供的各种函数（如 argmax、argmin、nanaargmax 等）执行各种搜索操作。
numpy.argmax()： 此函数返回特定轴中数组的最大元素的索引。
# 说明 argmax() 工作的 Python 程序
import numpy as geek
# 处理二维数组
array = geek.arange(12).reshape(3, 4)
print("INPUT ARRAY : \n", array)
# 没有提到轴，所以适用于整个阵列
print("\nMax element : ", geek.argmax(array))
# 根据索引返回最大元素的索引
print(("\nIndices of Max element : "
, geek.argmax(array, axis=0)))
print(("\nIndices of Max element : "
, geek.argmax(array, axis=1)))
输出 ：
INPUT ARRAY :
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
Max element : 11
Indices of Max element : [2 2 2 2]
Indices of Max element : [3 3 3]
numpy.nanargmax()： 此函数返回忽略 NaN 的特定轴中数组的最大元素的索引。如果切片仅包含 NaN 和 Infs，则结果不可信。
# 说明 nanargmax() 工作的 Python 程序
import numpy as geek
# 处理一维数组
array = [geek.nan, 4, 2, 3, 1]
print("INPUT ARRAY 1 : \n", array)
array2 = geek.array([[geek.nan, 4], [1, 3]])
# 根据忽略 NaN 的索引返回最大元素的索引
print(("\nIndices of max in array1 : "
, geek.nanargmax(array)))
# 处理二维数组
print("\nINPUT ARRAY 2 : \n", array2)
print(("\nIndices of max in array2 : "
, geek.nanargmax(array2)))
print(("\nIndices at axis 1 of array2 : "
, geek.nanargmax(array2, axis = 1)))
输出 ：
INPUT ARRAY 1 :
[nan, 4, 2, 3, 1]
Indices of max in array1 : 1
INPUT ARRAY 2 :
[[ nan 4.]
[ 1. 3.]]
Indices of max in array2 : 1
Indices at axis 1 of array2 : [1 1]
numpy.argmin()： 此函数返回沿轴的最小值的索引。
# 说明 argmin() 工作的 Python 程序
import numpy as geek
# 处理一维数组
array = geek.arange(8)
print("INPUT ARRAY : \n", array)
# 根据索引返回 min 元素的索引
print("\nIndices of min element : ", geek.argmin(array, axis=0))
在 IDE 上运行
输出 ：
INPUT ARRAY :
[0 1 2 3 4 5 6 7]
Indices of min element : 0
| 功能 | 描述 |
|---|---|
| numpy.nanargmin() | 返回指定轴中最小值的索引，忽略 NaN。 |
| numpy.argwhere() | 查找按元素分组的非零数组元素的索引。 |
| numpy.nonzero() | 返回非零元素的索引。 |
| numpy.flatnonzero() | 在 a 的扁平化版本中返回非零索引。 |
| numpy.where() | 根据条件返回从 x 或 y 中选择的元素。 |
| numpy.searchsorted() | 查找应插入元素以保持顺序的索引。 |
| numpy.extract() | 返回满足某个条件的数组元素。 |
Counting
numpy.count_nonzero() ：计算数组中非零值的数量。
# 说明 count_nonzero() 工作的 Python 程序
import numpy as np
# 计算多个非零值
a = np.count_nonzero([[0,1,7,0,0],[3,0,0,2,19]])
b = np.count_nonzero(([[0,1,7,0,0],[3,0,0,2,19]]
, axis=0))
print("Number of nonzero values is :",a)
print("Number of nonzero values is :",b)
在 IDE 上运行
输出 ：
Number of nonzero values is : 5
Number of nonzero values is : [1, 1, 1, 1, 1]
到此这篇关于Python Numpy教程之排序,搜索和计数详解的文章就介绍到这了,更多相关Python Numpy内容请搜索编程网以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程网！
