numpy.argpartition()的作用

上面是官方文档的说明.

numpy.argpartition(a, kth, axis=- 1, kind='introselect', order=None)

使用 kind 关键字指定的算法沿给定轴执行间接分区。 它以分区顺序沿给定轴返回与该索引数据具有相同形状的索引数组。

 1.8.0 版中的新功能。

 参数

     类似数组

         要排序的数组。
     kthint 或整数序列

         要分区的元素索引。  
         第 k 个元素将处于其最终排序位置，
         所有较小的元素将被移动到它之前，
         所有较大的元素将被移动到它之后。 
          分区中所有元素的顺序未定义。 
           如果提供了第 k 个序列，
           它将一次将它们全部划分到它们的排序位置。
     
     axisint 或 None，可选

         排序的轴。  默认值为 -1（最后一个轴）。  
         如果没有，则使用扁平数组。
         
     种类{'introselect'}，可选

         选择算法。  默认为“内选”
     orderstr 或 str 列表，可选

         当 a 是定义了字段的数组时，该参数指定先比较哪些字段，
         第二个等。单个字段可以指定为字符串，
         不需要指定所有字段，
         但仍会使用未指定的字段，
         在它们出现在 dtype 中的顺序，以打破联系。

 返回

     index_arrayndarray, int

         沿指定轴对 a 进行分区的索引数组。  
         如果 a 是一维的，则 a[index_array] 产生一个分区的 a。 
         更一般地说， np.take_along_axis(a, index_array, axis=a) 
         总是产生分区的 a，
         而不管维数如何。

虽然官方文档很短,但可以看出灵活运用非常复杂,
好在我正在读的论文只是简单的应用,下面是我的理解和一些简单的例子:

默认会从小到大"排序",此排序并非真正的排序,而是指定的元素索引落入正确的值时就停止排序.
例如:

test = np.array([5, 1, 2, 7, 3, 6, 4])
print(test[np.argpartition(test, 4)])

输出:

[3 4 2 1 5 6 7] #记为res

此时索引为4的位置,res[0:4]均小于等于res[4], res[4:]均大于等于res[4]

在传入多个参数时同理,
例如:

test = np.array([5, 1, 2, 7, 3, 6, 4])
print(test[np.argpartition(test, [3, 4])])

会得到:

[2 1 3 4 5 6 7]

这就是简单的应用,其他的高级用法和参数使用欢迎各位补充.