Python高维数组排序，根据一个array中的值将另一个array排序

最近在做CBIR的时候碰到了这样一个问题：
给定一张图片，在数据库中检索和输入图片相似的图片。比如给定n张图片作为输入，输出数据库中各自top k检索结果。然后需要将这些图片分别再根据特征相似度得分进行重排。例：四张图片的top 3检索结果的index为
1： 23，34，32
2： 93，23，21
3： 52，12，13
4： 37，62，10
对应的局部特征相似度为：
1：0.3, 0.8, 0.1
2：0.4, 0.2, 0.8
3：0.1, 0.9, 0.7
4：0.6, 0.4, 0.8
需要分别将四张输入图片各自检索出的图片index根据得分进行重排，即输出应为：
1： 34，23，32
2： 21，93，23
3： 12，13，52
4： 10，37，62
传统方法，用for循环，数据量一大就很费时。想用numba加速，又需要避免跳出numpy模块。来看代码：

import numpy as np
idxs = np.arange(12).reshape(4,3)
scores = np.random.random((4,3))
print(labeks)
print(scores)

# idxs
[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]]
 # scores
[[0.13305936, 0.61524316, 0.06763024],
 [0.77922301, 0.09916946, 0.76566095],
 [0.47272886, 0.34700999, 0.21310556],
 [0.66733795, 0.89457897, 0.95406421]]

基本思路是先将两个二维数组拼接成一个三维数组，然后按照score对数组进行排序，最后返回排序后的label，三行代码搞定：

def rerank_label_by_score(idx, score):
	idx_score=np.stack((idx,score), axis=2)
	sortIdx = np.argsort(-idx_score[:,:,1]) #因为从大到小排，所以取负
	array_sorted = idx_score[np.arange(len(idx_score))[:,np.newaxis], sortIdx]
	return array_sorted[:,:,0].astype(int)	

label_reranked = rerank_label_by_score(labels, scores)									

# label_reranked
[[ 1,  0,  2],
 [ 3,  5,  4],
 [ 6,  7,  8],
 [11, 10,  9]]