np.partition介绍

前言

这次分享一个 numpy 里面的一个高级函数partition,这个函数在一些搜索、匹配、找相关性的时候会用到。功能强大，但是一般人不知道、不会用，或者不知道怎么用。

这次就分享一下具体的用法，也是numpy技巧第二篇文章。

同时代码也都是开源的，链接为：https://github.com/yuanzhoulvpi2017/tiny_python/blob/main/numpy_base，文件编号是02开通的。

介绍

np.partition是对一个向量、沿着一个维度方向、按照大小对数据进行分堆，分成了两堆。

1. 在kth前面的这堆数值，都是这个向量里面比较小的群体们。
2. 在kth后面的这堆数值，都是这个向量里面比较大的群体们。

一个简单的例子：

data = np.array([232, 564, 278, 3, 2, 1, -1, -10, -30, -40])
np.partition(data, kth=4)

np.partition(data, kth=4)的意思就是：

1. np.partition对data说：“你们班，现在给我从左向右站好！我不需要你们完全从低到高排序好，我只要左边 4 个是你们里面最小的就行”
2. 然后data就找到班里最小的 4 个同学：-1, -10, -30, -40，说：“你们几个赶快给我站到左边，不需要你们几个再排序了，怎么快怎么来”
3. -1, -10, -30, -40听到data指令后，马上跑到左边站好。
4. 剩下的没有被指出来的，想怎么站都无所谓

与此类似的

1. np.partition功能和np.argpartition功能是一样的，只不过np.argpartition返回的是序号

np.argpartition(data, kth=4)

np.argpartition的意思就是：

1. np.argpartition对data说:“把你们班最差的几个人学号放在前 4 个坑，剩下人随便填上就行了。
2. data对-1, -10, -30, -40说，你们几个差学生也别出来了，就对我说你们学号多少，我来填上，然后-1说我是 6 号，-10说我说 7 号，-30说我是 8 号，-40说我是 9 号。
3. 然后剩下的人的编号，data敷衍了事，随便写上了。

解决问题

那么我们要想找到data的最小的 4 个数字，其实非常简单。两个方法：

# way 1
np.partition(data, kth=4)[:4]

# way 2
data[np.argpartition(data, kth=4)[:4]]

推广扩展

那么问题来了，我想找到data最大的 3 位数怎么办？

1. 一般第 k 个，我们在 python 里面都是使用 k 为正数，也就是从左向右数第 k 个。
2. 在 python 取后 k 个，其实我们都是知道的，就是使用-k这个方法。

那么这个方法其实在这里也是适用的，下面就是解决方法。就不过多做解释了。（注意返回的结果的后三个数值）

np.partition(data, kth=-3)# 返回的是具体的值

np.argpartition(data, kth=-3) # 返回的是值对应的序号

我要是取后 3 个序号，其实就是 top3 的值了:

# way1
np.partition(data, kth=-3)[-3:]

# way 2
data[np.argpartition(data, kth=-3)[-3:]]

更高维度怎么办

上面的data只是一维的，对于二维及更高维度的数据同样适用。
这里要注意一个小细节：

1. 假设一个数组的 shape 是: (m,n,z)
   那么axis=1的方向其实就是沿着第二个也就是n这个方向。希望可以帮助读者分清楚.

实际问题

假如你是一个研究疾病的研究生，手上有个数据：

1. 有一系列数据：其中有 425 个疾病名称，有 13426 个症状
2. 还有一个疾病名称和症状的权重matrix，矩阵的 shape 为425 x 13426

需要解决的问题是：
需要按照权重matrix找到每个疾病名称前 10 个最相关的症状，并且记录下来。

解析

1. 这里需要处理的数组变成了二维数组，找 top10（不需要排序，只要找到），并且记录下来。
2. 这里使用np.argpartition可以一次性将所有的 topk 找出来，大大的提高了计算效率

这里分享代码

import numpy as np
import pandas as pd
from tqdm import tqdm

# generate sample data
n_features = 13426
n_disease = 425
features = [f"feature_{i}" for i in range(n_features)]
disease = [f"disease_{i}" for i in range(n_disease)]
weights = np.random.random((n_disease, n_features))


#function

def getdata(top_k: int) -> pd.DataFrame:
    index = np.argpartition(weights, -top_k, axis=1)[:, -top_k:]

    def slice_data(i):
        temp_data = pd.DataFrame({
            'features': np.array(features)[index[i, :]]})
        temp_data['disease'] = disease[i]
        temp_data['weights'] = weights[i, index[i, :]]
        return temp_data

    res = pd.concat([slice_data(i) for i in tqdm(range(weights.shape[0]))]).reset_index(drop=True)
    return res


final_data = getdata(top_k=3) # 这里只是找top3的，要是想找top10的，修改数值就行了
final_data.shape
final_data.head(4)

结果如下