机器学习和数据分析-numpy的arg运算

总结：

np. argmin() 最小值索引

np.argmax() 最大值索引

np. argwhere(x>0.5)  指定条件索引

np.random.shuffle()  打乱顺序

np.sort() 排序

np. argsort() 排序索引

np. partition(x,5) 指定位置分割

np.argpartition(x,5) 分割索引

1.启动jupyter notebook

2.创建一个新的notebook，并导入numpy

3.创建一个随机数据x，并使用随机数种子

np.random.seed(100)
x = np.random.random(50)
x

运行效果图如下：

4.np. argmin()求出最小值的位置，np. argmax()求出最大值的位置

#1.取出最小值
np.min(x)
#结果：0.004718856190972565

#2.得出最小值的位置
np.argmin(x)
#结果：4

#3.取出位置为4的值
x[4]
#结果：0.004718856190972565

#4.取出最大值的位置
np.argmax(x)
#结果：36

运行效果图如下：

5.ind =np. argwhere(x>0.5)得到值大于0.5的所有索引的位置，可通过x[ind]取出对应的值

#1.取出指定条件的索引值
ind = np.argwhere(x>0.5)
ind

#2.取出索引值对应的值
x[ind]

 运行效果图如下：

6.排序和乱序

#1.创建一个随机数组x
x = np.arange(10)
x
#结果：array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

#2.将x顺序打乱，且x本身值改变
np.random.shuffle(x)
x
#结果：array([1, 6, 3, 5, 4, 0, 2, 7, 8, 9])

#3.将x重新排序，不改变x本身的值
np.sort(x)
#结果：array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
x
#结果：array([1, 6, 3, 5, 4, 0, 2, 7, 8, 9])

#4.直接使用x.sort()排序，改变x本身的值
x.sort()
x
#结果：array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

运行效果如下：

7.使用np. argsort(x)，则会返回索引排序

#1.重新将x的顺序打乱
np.random.shuffle(x)
x
#结果：array([4, 2, 8, 7, 5, 1, 3, 6, 0, 9])

#2.返回排序后的索引值，并保存在变量ind中
ind = np.argsort(x)
ind
#结果：array([8, 5, 1, 6, 0, 4, 7, 3, 2, 9], dtype=int32)

#3.取出第一个索引对应的值
x[8]
#结果：0

运行效果如下：

对索引进行切片操作：

#1.取出前三个索引值
ind[:3]
#结果：array([8, 5, 1], dtype=int32)

#2.取出前三个索引对应的值
x[ind[:3]]
#结果：array([0, 1, 2])

#3.取出排序后最后三位数
x[ind[-3:]]
#结果：array([7, 8, 9])

运行效果图如下：

8.np. partition(x,5)，将x分割成小于5和大于5在左右两侧。np. argpartition(x,5)返回小于5和大于5对应值的索引值

#1.重新输出x的值
x
#结果：array([4, 2, 8, 7, 5, 1, 3, 6, 0, 9])

#2.将<5的值放在左侧，>5的值放在右侧
np.partition(x, 5)
#结果：array([1, 4, 0, 3, 2, 5, 7, 6, 8, 9])

#3.将<5对应的索引放在左侧，>5对应的索引值放在右侧
np.argpartition(x,5)
#结果：array([5, 0, 8, 6, 1, 4, 3, 7, 2, 9], dtype=int32)

运行效果如下：

9.对二维数组进行排序

#1.创建一个二维数组X
X = np.random.randint(20,size=(4,5))
X

#2.默认对每一行进行排序
np.sort(X)

#3.对每一列进行排序
np.sort(X,axis=0)

 运行效果图如下：

10.np.argsort(X,axis=0)对每一列索引排序，运行效果图如下：