数据分析——从入门到精通(二)

已于 2022-06-15 19:39:31 修改
阅读量527 收藏
点赞数
分类专栏： 数据分析 Pandas 文章标签： 数据分析 python 矩阵
于 2022-04-06 13:34:55 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_57021623/article/details/123987916
版权

排序方法

  • np.sort(a,axis=-1,kind=“quicksort”) 创建a的副本进行数据元素的排列，不影响原有数据
  • ndarray.sort(axis=-1,kind=“quicksort”) 在数组对象上直接进行排序，会影响原有数据
  • np.argsort(a) 将元素排序之后，将元素所在的位置(index)返回，返回的是一个索引数组，可以作为行索引去使用
  • np.partition(a,kth,axis=-1) 部分排序， 如果kth是正值，排序结果保证了前kth个元素是最小的，如果kth是负值，排序的结果保证了后kth个元素是最大的。
import numpy as np

 # 注意：randint里面的范围参数是左闭右开，比如设置1到100，它取不到100,要想取100，最值可以设为101
scores = np.random.randint(101,size=(10,5))  # 取0-101随机数，不包括101，10行5列
# 此时scores数组的值是变化的，每运行一次，就会出现不同的值
# 要想固定score数组内的值，可以添加随机种子  np.random.seed(10)  # 随机种子，给定10个数，此例子要给定50个数
scores

[out]:

array([[20, 27, 33, 25, 80],
       [52, 71, 94, 63, 89],
       [84,  8, 20, 36, 18],
       [23, 23, 69, 94, 58],
       [29, 96, 43, 77,  4],
       [ 5, 57, 96, 28, 65],
       [97, 95, 12, 66, 62],
       [32, 54, 91, 10, 58],
       [46, 15, 18, 30, 59],
       [ 7, 47, 41, 94, 12]])

[int]:

#  np.sort(a, axis=-1, kind='quicksort', order=None)     axis=-1 表示维度的最内层，此例子中是给里面的这五个数进行排序
np.sort(scores)

[out]:

array([[20, 25, 27, 33, 80],
       [52, 63, 71, 89, 94],
       [ 8, 18, 20, 36, 84],
       [23, 23, 58, 69, 94],
       [ 4, 29, 43, 77, 96],
       [ 5, 28, 57, 65, 96],
       [12, 62, 66, 95, 97],
       [10, 32, 54, 58, 91],
       [15, 18, 30, 46, 59],
       [ 7, 12, 41, 47, 94]])

[int]:

np.sort(scores,axis=1)   # 二维数组当中的axis值为1和-1，结果都是一样的

[out]:

array([[20, 25, 27, 33, 80],
       [52, 63, 71, 89, 94],
       [ 8, 18, 20, 36, 84],
       [23, 23, 58, 69, 94],
       [ 4, 29, 43, 77, 96],
       [ 5, 28, 57, 65, 96],
       [12, 62, 66, 95, 97],
       [10, 32, 54, 58, 91],
       [15, 18, 30, 46, 59],
       [ 7, 12, 41, 47, 94]])

[int]:

#  axis=0 表示维度的最外层，此例子中是10个一维数组
np.sort(scores,axis=0)

[out]:

array([[ 5,  8, 12, 10,  4],
       [ 7, 15, 18, 25, 12],
       [20, 23, 20, 28, 18],
       [23, 27, 33, 30, 58],
       [29, 47, 41, 36, 58],
       [32, 54, 43, 63, 59],
       [46, 57, 69, 66, 62],
       [52, 71, 91, 77, 65],
       [84, 95, 94, 94, 80],
       [97, 96, 96, 94, 89]])

[int]:

# 创建scores的副本s2
s2 = scores.copy()
s2

[out]:

array([[20, 27, 33, 25, 80],
       [52, 71, 94, 63, 89],
       [84,  8, 20, 36, 18],
       [23, 23, 69, 94, 58],
       [29, 96, 43, 77,  4],
       [ 5, 57, 96, 28, 65],
       [97, 95, 12, 66, 62],
       [32, 54, 91, 10, 58],
       [46, 15, 18, 30, 59],
       [ 7, 47, 41, 94, 12]])

[int]:

scores

[out]:

array([[20, 27, 33, 25, 80],
       [52, 71, 94, 63, 89],
       [84,  8, 20, 36, 18],
       [23, 23, 69, 94, 58],
       [29, 96, 43, 77,  4],
       [ 5, 57, 96, 28, 65],
       [97, 95, 12, 66, 62],
       [32, 54, 91, 10, 58],
       [46, 15, 18, 30, 59],
       [ 7, 47, 41, 94, 12]])

[int]:

# 所有行的第一列  一维
scores[:,0]

[out]:

array([20, 52, 84, 23, 29,  5, 97, 32, 46,  7])

[int]:

# 排序
np.argsort(scores[:,0])  # 排的是所有的第一列， 返回索引的下标，可以理解为行索引
# 5 表示 索引为5的位置，也就是5
# 9 表示 索引为9的位置，也就是7
#...

[out]:

array([5, 9, 0, 3, 4, 7, 8, 1, 2, 6], dtype=int32)

[int]:

scores[[5, 9, 0, 3, 4, 7, 8, 1, 2, 6]]  # 行索引不连续的选择方式  此例子中的以第一列进行排序的，其他列没有排

[out]:

array([[ 5, 57, 96, 28, 65],
       [ 7, 47, 41, 94, 12],
       [20, 27, 33, 25, 80],
       [23, 23, 69, 94, 58],
       [29, 96, 43, 77,  4],
       [32, 54, 91, 10, 58],
       [46, 15, 18, 30, 59],
       [52, 71, 94, 63, 89],
       [84,  8, 20, 36, 18],
       [97, 95, 12, 66, 62]])

[int]:

scores

[out]:

array([[20, 27, 33, 25, 80],
       [52, 71, 94, 63, 89],
       [84,  8, 20, 36, 18],
       [23, 23, 69, 94, 58],
       [29, 96, 43, 77,  4],
       [ 5, 57, 96, 28, 65],
       [97, 95, 12, 66, 62],
       [32, 54, 91, 10, 58],
       [46, 15, 18, 30, 59],
       [ 7, 47, 41, 94, 12]])

[int]:

scores[[0,5,2]]   # 利用行索引，可以取出对应的行  此例子中，分别取出了第一行，第六行，第三行

[out]:

array([[20, 27, 33, 25, 80],
       [ 5, 57, 96, 28, 65],
       [84,  8, 20, 36, 18]])

[int]:

scores([0,2,5,4],[0,2])   # [注意] 不支持行和列同时不连续选择

[out]:

---------------------------------------------------------------------------

TypeError                                 Traceback (most recent call last)

<ipython-input-25-0ec13b0b855d> in <module>
----> 1 scores([0,2,5,4],[0,2])   # [注意] 不支持行和列同时不连续选择


TypeError: 'numpy.ndarray' object is not callable

[int]:

#  所有的行的第一列到第二列
scores[:,:2]

[out]:

array([[20, 27],
       [52, 71],
       [84,  8],
       [23, 23],
       [29, 96],
       [ 5, 57],
       [97, 95],
       [32, 54],
       [46, 15],
       [ 7, 47]])

练习：如何根据第3列来对一个5*5的矩阵排序？

[int]:

a = np.random.randint(10,size=(5,5))     # 随机产生10以内的数，5行5列
a

[out]:

array([[8, 1, 7, 8, 4],
       [9, 6, 4, 2, 9],
       [9, 5, 9, 3, 7],
       [5, 3, 8, 8, 5],
       [2, 6, 0, 2, 4]])

[int]:

np.argsort(a[:,2])   # 所有的行，第三列排序，得到行索引

[out]:

array([4, 1, 0, 3, 2], dtype=int32)

[int]:

a[np.argsort(a[:,2])]   # 对行索引进行排序

[out]:

array([[2, 6, 0, 2, 4],
       [9, 6, 4, 2, 9],
       [8, 1, 7, 8, 4],
       [5, 3, 8, 8, 5],
       [9, 5, 9, 3, 7]])

[int]:

np.partition(a,2)  # 部分排序  np.partition(a, kth, axis=-1, kind='introselect', order=None)

[out]:

array([[1, 4, 7, 8, 8],
       [2, 4, 6, 9, 9],
       [3, 5, 7, 9, 9],
       [3, 5, 5, 8, 8],
       [0, 2, 2, 6, 4]])

[int]:

np.partition(a,2,axis=-1)  # axis=-1 表示对里面数进行排序     kth=2 确定前两个数是最小的

[out]:

array([[1, 4, 7, 8, 8],
       [2, 4, 6, 9, 9],
       [3, 5, 7, 9, 9],
       [3, 5, 5, 8, 8],
       [0, 2, 2, 6, 4]])

[int]:

np.partition(a,-2,axis=-1)  # kth=-2  确定后两个数是最大的  看行

[out]:

array([[1, 4, 7, 8, 8],
       [2, 4, 6, 9, 9],
       [3, 7, 5, 9, 9],
       [3, 5, 5, 8, 8],
       [2, 0, 2, 4, 6]])

[int]:

np.partition(a,-2,axis=0)  #   kth=-2  确定后两个数是最大的  看列

[out]:

array([[5, 3, 4, 2, 4],
       [2, 1, 0, 2, 4],
       [8, 5, 7, 3, 5],
       [9, 6, 8, 8, 7],
       [9, 6, 9, 8, 9]])

[int]:

scores

[out]:

array([[20, 27, 33, 25, 80],
       [52, 71, 94, 63, 89],
       [84,  8, 20, 36, 18],
       [23, 23, 69, 94, 58],
       [29, 96, 43, 77,  4],
       [ 5, 57, 96, 28, 65],
       [97, 95, 12, 66, 62],
       [32, 54, 91, 10, 58],
       [46, 15, 18, 30, 59],
       [ 7, 47, 41, 94, 12]])

练习：统计每位同学的总成绩，显示排名前3名同学

np.sum(scores,axis=-1) # axis=-1 横着看   
# 185 是第一行的总和  20+27+33+25+80
# 369 是第二行的总和  52+71+94+63+89
# 166 是第三行的总和  84+8+20+36+18

[out]:

array([185, 369, 166, 267, 249, 251, 332, 245, 168, 201])

[int]:

np.sum(scores,axis=1)  # axis=1和axis=1都是一样的，横着看

[out]:

array([185, 369, 166, 267, 249, 251, 332, 245, 168, 201])

[int]:

np.sum(scores,axis=0)  # 竖着看
# 395 是第一列的总和 20+52+84+23+29+5+97+32+46+7
# 493 是第二列的总和  27+71+8+23+96+57+95+54+15+47

[out]:

array([395, 493, 517, 523, 505])

[int]:

np.sum(scores,axis=-1).argsort()   # 横着看的总和值  返回对应的索引

[out]:

array([2, 8, 0, 9, 7, 4, 5, 3, 6, 1], dtype=int32)

[int]:

# 对总和索引进行排序
scores[np.sum(scores,axis=-1).argsort()]

[out]:

array([[84,  8, 20, 36, 18],
       [46, 15, 18, 30, 59],
       [20, 27, 33, 25, 80],
       [ 7, 47, 41, 94, 12],
       [32, 54, 91, 10, 58],
       [29, 96, 43, 77,  4],
       [ 5, 57, 96, 28, 65],
       [23, 23, 69, 94, 58],
       [97, 95, 12, 66, 62],
       [52, 71, 94, 63, 89]])

[int]:

# 对总和索引进行排序，取前三名同学的成绩，也就是最后三位同学
scores[np.sum(scores,axis=-1).argsort()][-3:]

[out]:

array([[23, 23, 69, 94, 58],
       [97, 95, 12, 66, 62],
       [52, 71, 94, 63, 89]])

[int]:

# 对总和索引进行排序，取前三名同学的成绩，也就是最后三位同学 ，进行求和
scores[np.sum(scores,axis=-1).argsort()][-3:].sum(axis=-1)

[out]:

array([267, 332, 369])

[int]:

# 对三名最高成绩反向
scores[np.sum(scores,axis=-1).argsort()][-3:][::-1]

[out]:

array([[52, 71, 94, 63, 89],
       [97, 95, 12, 66, 62],
       [23, 23, 69, 94, 58]])

[int]:

# 对总和索引进行排序，取前三名同学的成绩，也就是最后三位同学 ，进行求和  反向
scores[np.sum(scores,axis=-1).argsort()][-3:][::-1].sum(axis=-1)

[out]:

array([369, 332, 267])
今晚务必早点睡
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
np.partition介绍
yuanzhoulvpi的博客
09-17 1820
np.partition介绍
numpy.partition的用法
爱吃火锅的博客
04-11 1万+
功能 np.partition的工作流程可以看做是先对数组排序（升序），然后以索引是i的元素为基准，将元素分成两部分，即大于该元素的放在其后面，小于该元素的放在其前面，这里有点类似于快排，具体看下面的类子： import numpy as np result = np.random.randint(1, 13,(6,4)) print(result) result1 = np.sort(re...
numpy 笔记 partition和
qq_40206371的博客
07-22 392
对数组进行部分排序，返回的是数组本身的部分排序结果。
用于数组分区的numpy.partition()函数的运行原理
dugushangliang的博客
07-16 2552
版权声明：转载请注明作者（独孤尚良dugushangliang）出处：https://blog.csdn.net/dugushangliang/article/details/96134435 本文论述：numpy.partition(a, kth[, axis, kind, order]) 这个函数是指定一个数，通过这个数对数组进行分区。上面的a是数组，kth就是指定的数，这个数是什么...
Numpy中排序操作partition,argpartition，sort,argsort
Jared的博客
03-19 2672
Numpy中的排序相关操作sort,argsort,partition,argpartition1.np.sort()2.np.argsort()3.np.partition()4.argpartition() 1.np.sort() np.sort(a, axis=-1, kind='quicksort', order=None) 参数 参数说明 a 待排序数组array ...
Matlab经典教程——从入门到精通_MATLAB从入门到精通_matlab教程_
10-03
《Matlab经典教程——从入门到精通》是一本旨在帮助初学者快速掌握MATLAB软件的教程。MATLAB，全称“Matrix Laboratory”，是一款强大的数学计算和数据可视化软件，广泛应用于科学计算、工程分析以及图像处理等领域...
Matlab经典教程——从入门到精通.zip
最新发布
09-20
《Matlab经典教程——从入门到精通》是学习MATLAB编程的全面指南，它涵盖了MATLAB的基础知识到高级应用，旨在帮助初学者迅速掌握这一强大的数值计算和数据分析工具。MATLAB（矩阵实验室）是由MathWorks公司开发的一...
参考资料-Project教程——从入门到精通.zip
02-20
【项目管理软件Project教程——从入门到精通】 Microsoft Project是一款强大的项目管理工具，它可以帮助项目经理进行任务规划、资源分配、进度跟踪以及预算控制。本教程旨在帮助初学者快速掌握Project的基础知识，...
Matlab经典教程——从入门到精通_matlab入门_matlab_
09-28
《Matlab经典教程——从入门到精通》是一本旨在帮助初学者快速掌握Matlab软件的教程。Matlab，全称Matrix Laboratory，是一款强大的数学计算和数据可视化软件，广泛应用于科学计算、工程分析、图像处理等领域。本...
Matlab经典教程——从入门到精通1
08-03
《Matlab经典教程——从入门到精通1》 MATLAB是一款强大的数学计算和数据分析软件，广泛应用于工程、科学和经济领域。本教程旨在帮助初学者快速掌握MATLAB的基础知识，包括安装、启动、基本操作以及核心概念。 ...
数据操作之numpy模块3——数组的排序、乱序、索引与上下限设置
时生的博客
02-28 2429
记录了数组的排序操作sort、数组的乱序操作permutation和shuffle以及fancy indexing等的相关用法...
Python数据科学读书笔记2--Numpy数组的排序
初一的博客
06-05 1080
数组的排序 这一节将介绍用于排序Numpy数组的相关算法。 一、Numpy中的快速排序：np.sort 和 np.argsort     尽管Python 有内置的sort 和sorted 函数可以对列表进行排序，但是这里不会介绍这两个函数，因为NumPy 的np.sort 函数实际上效率更高。默认情况下，np.sort 的排序算法是快速排序，其算法复杂度为[N log N ]，另外也可以选择归并...
task 05: 排序，搜索,计数和集合
weixin_46402229的博客
10-29 307
排序 numpy.sort(a[, axis=-1, kind=‘quicksort’, order=None]) Return a sorted copy of an array. a. axis：排序沿数组的（轴）方向，0表示按行，1表示按列，None表示展开来排序，默认为-1，表示沿最后的轴排序。 b. kind：排序的算法，提供了快排’quicksort’、混排’mergesort’、堆排’heapsort’， 默认为‘quicksort’。 c. order：排序的字段名，可指定字段排序，默认为N
NumPy 排序、条件刷选函数
li514006030的博客
01-30 67
NumPy 排序、条件刷选函数
【深度学习】NumPy详解（四）：4、数组广播；5、排序操作
天地玄黄 魑魅魍魉 风花雪月 商角徵羽 暂时停更 十月重见
09-13 617
数组广播、排序操作
python partition函数_Python numpy.argpartition函数方法的使用
weixin_39849671的博客
11-25 252
numpy.argpartitionnumpy.argpartition(a, kth, axis=-1, kind='introselect', order=None) [source]使用kind关键字指定的算法，沿给定轴执行间接分区。 它沿着给定的轴按分区顺序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 ：a ：array_like数组进行排序。kth ：in...
numpy-np.partition的使用
zlibo丶的博客
01-28 1504
官方文档：https://numpy.org/doc/stable/reference/generated/numpy.partition.html 官方给出的说明是： 即：以第'k-th'位置为基准，该位置的元素位于对原始数组排序之后的位置，大于该元素值的元素被放置在该元素的后面，小于该元素值的元素被放置在该元素的前面，前后两端的元素排列顺序无要求。 代码测试： a = np.array([3, 4, 2, 1]) # [1, 2, 3, 4] print(a) print(np.part
Python——numpy排序（sort、argsort、lexsort、partition、sorted）
热门推荐
一叶_障目
01-31 12万+
python的numpy中涉及了几种简单的排序方法，在此简单介绍，以便后续使用。 一、numpy.sort" role="presentation" style="position: relative;">一、numpy.sort一、numpy.sort一、numpy.sort 以下是官网上给出的该方法的简介： numpy.sort(a, axis=1,
amesim系统建模和仿真——从入门到精通
07-24
### 回答1： AMESim系统建模和仿真是一种先进的工程仿真软件，可帮助工程师进行系统级建模和仿真分析。从入门到精通AMESim系统建模和仿真，可以通过以下步骤进行学习： 1. 理解AMESim系统建模和仿真的基础概念：学习AMESim的基本原理和系统建模的核心概念，包括系统组件、信号流、物理量等基本概念。同时，熟悉AMESim的用户界面和操作方法。 2. 学习建模技术：学习如何使用AMESim建立系统模型。了解如何选择合适的组件，如何连接各个组件，并设置参数和初始条件。此外，还需学习如何为模型添加控制算法和仿真参数。 3. 仿真分析：学习如何运行模型进行仿真分析。了解如何设置仿真时间、采样频率等参数，并观察系统的动态行为。学习如何进行参数扫描、优化和灵敏度分析等仿真实验。 4. 高级建模技巧：进一步学习高级建模技巧，包括使用子模型、建立多领域耦合模型、模型在线优化等技术。 5. 集成和应用开发：学习如何将AMESim模型集成到整体系统中，如与其他建模软件或控制系统进行联合仿真。此外，还可学习如何开发应用程序，在AMESim的基础上开发自定义的模型和功能。 6. 实践经验积累：通过实践，不断积累经验，不断挑战更复杂的系统建模和仿真问题。可以尝试解决实际工程中的具体问题，或参与相关领域的研究项目，进一步提升自己的建模和仿真能力。 通过以上步骤，可以逐步掌握AMESim系统建模和仿真的核心技术，并能够独立开展系统建模和仿真工作。不断学习和实践，才能使自己从一个入门的使用者逐渐成为精通AMESim系统建模和仿真的专家。 ### 回答2： AMESim系统建模和仿真是一种用于工程设计和性能分析的先进工具。它可帮助工程师们快速而准确地创建复杂的动力系统模型，并通过仿真分析来评估设计方案的性能。 AMESim系统建模和仿真的入门级别涉及了软件的安装和基本操作。首先，用户需要安装AMESim软件，并了解其用户界面和基本功能。然后，用户可以开始创建第一个简单的模块，并通过连接这些模块来形成一个完整的系统模型。通过设置参数，并考虑模型中各组件的物理特性，用户可以使用AMESim来模拟系统的行为。 在掌握了基本操作之后，用户可以进一步学习高级建模技巧和功能。用户可以学习如何使用不同类型的模块和子模块来创建更复杂的模型，如液压、热力和电力系统。此外，用户还可以学习如何使用AMESim的分析工具来优化系统设计，并进行参数敏感性分析。 精通AMESim系统建模和仿真可能需要更深入的学习和实践。用户可以研究更高级的模块和子模块，以模拟更加复杂和真实的系统行为。此外，用户还可以学习如何使用外部数据和MATLAB/Simulink等软件进行数据交换和联合仿真。 总之，AMESim系统建模和仿真是一种强大的工程工具，可用于模拟和评估各种动力系统的性能。通过逐步学习和实践，用户可以从入门级别逐渐精通，并将其应用于工程实践中的各种问题和挑战。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

今晚务必早点睡

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值