np.argpartition的作用

最近看到了argpartition，有在网上搜，但自己编数据测试是最可信的办法
个人理解：
对数组进行快排,并返回索引数组，第二参数位置的索引找到后就停止算法，故不保证全部有序，第二参数可以是一个值或list

import numpy as np
arr = np.array([46, 57, 23, 39, 1, 10, 0, 120])
arr.sort()
b=arr[::-1]
a=arr
arr = np.array([46, 57, 23, 39, 1, 10, 0, 120])
np.argpartition(arr,0)
array([6, 1, 2, 3, 4, 5, 0, 7])
np.argpartition(arr,[0,1,2,3,4,5,6,7])#全部有序的索引
array([6, 4, 5, 2, 3, 0, 1, 7])#全部有序的索引
np.argpartition(arr,1)
array([6, 4, 2, 3, 1, 5, 0, 7])
np.argpartition(arr,3)
array([6, 4, 5, 2, 3, 0, 1, 7])
np.argpartition(arr,2)
array([6, 4, 5, 3, 1, 2, 0, 7])
np.argpartition(arr,4)
array([6, 4, 5, 2, 3, 0, 1, 7])
np.argpartition(arr,5)
array([5, 3, 2, 6, 4, 0, 1, 7])
np.argpartition(arr,-1)
array([5, 3, 2, 6, 4, 0, 1, 7])
np.argpartition(arr,-2)
array([5, 3, 2, 6, 4, 0, 1, 7])
np.argpartition(arr,-3)# -3的结果与5是对应一致的
array([5, 3, 2, 6, 4, 0, 1, 7])
np.argpartition(arr,-4)# -4的结果与4是对应一致的
array([6, 4, 5, 2, 3, 0, 1, 7])