numpy的排序和集合操作（五）

numpy的排序

import numpy as np

排序 np.sort()

基本使用

np.sort(x,[axis = -1 ,order = None])

对数组x进行从小到大排序，order可以指定按照哪一个属性排序

np.sort(x) 表示对x进行从小到大的排序

x = np.array([1,5,2,8,1])

y = np.sort(x)
print(y)

# [1 1 2 5 8]

若x是一个二维数组，表示对每一行元素进行从小到大排序

np.random.seed(666)
x = np.random.rand(5,5)*10
x = np.around(x,2)

print(x)

# [[7.   8.44 6.77 7.28 9.51]
# [0.13 4.14 0.49 1.   5.08]
# [2.   7.44 1.93 7.01 2.93]
# [7.74 0.05 1.13 1.11 2.48]
# [0.23 7.27 3.4  1.98 9.09]]

y = np.sort(x)
print(y)

# [[6.77 7.   7.28 8.44 9.51]
# [0.13 0.49 1.   4.14 5.08]
# [1.93 2.   2.93 7.01 7.44]
# [0.05 1.11 1.13 2.48 7.74]
# [0.23 1.98 3.4  7.27 9.09]]

当 x 是多维数组时，np.sort(x) = np.sort(x,axis= -1 ) 也就是对数组x的最后一个维度的元素进行排序

当x是二维数组时，np.sort(x) = np.sort(x,axis= -1 ) = np.sort(x, axis= 1) 表示按行排序

y = np.sort(x,axis=1)
print(y)

# [[6.77 7.   7.28 8.44 9.51]
# [0.13 0.49 1.   4.14 5.08]
# [1.93 2.   2.93 7.01 7.44]
# [0.05 1.11 1.13 2.48 7.74]
# [0.23 1.98 3.4  7.27 9.09]]

z = np.sort(x,axis= -1)
print(z)

# [[6.77 7.   7.28 8.44 9.51]
# [0.13 0.49 1.   4.14 5.08]
# [1.93 2.   2.93 7.01 7.44]
# [0.05 1.11 1.13 2.48 7.74]
# [0.23 1.98 3.4  7.27 9.09]]

二维数组中，np.sort(x,axis=0) 表示按列排序

y = np.sort(x,axis=0)
print(y)

# [[0.13 0.05 0.49 1.   2.48]
# [0.23 4.14 1.13 1.11 2.93]
# [2.   7.27 1.93 1.98 5.08]
# [7.   7.44 3.4  7.01 9.09]
# [7.74 8.44 6.77 7.28 9.51]]

order参数

order参数可以指定按照哪一个属性进行排序

dt = np.dtype([('name','S10'),('age',np.int)])

a = np.array([('Mike',21),('Nancy',25),('Bob',17),('Jane',27)],dtype=dt)

print(a)
# [(b'Mike', 21) (b'Nancy', 25) (b'Bob', 17) (b'Jane', 27)]

在这里，我们自定义了一个数据结构，属性名有 name 和 age

使用 order 参数指定按照 name 属性排序

b = np.sort(a,order='name')
print(b)

# [(b'Bob', 17) (b'Jane', 27) (b'Mike', 21) (b'Nancy', 25)]

使用 order 参数指定按照 age 属性排序

b = np.sort(a,order='age')
print(b)

# [(b'Bob', 17) (b'Mike', 21) (b'Nancy', 25) (b'Jane', 27)]

排序后的下标 np.argsort()

对数组 x 排序，返回排序后的元素下标，但不改变x

np.random.seed(666)
x = np.random.randint(0,10,10)

print(x)

# [2 6 9 4 3 1 0 8 7 5]

y = np.argsort(x)

print(y)
# [6 5 0 4 3 9 1 8 7 2]

print(x[y])
# [0 1 2 3 4 5 6 7 8 9]

我们还可以使用这个函数将原数组x进行从大到小排序

y = np.argsort(-x)

print(y)
# [2 7 8 1 9 3 4 0 5 6]

print(x[y])
# [9 8 7 6 5 4 3 2 1 0]

最大值下标 np.argmax()

返回最大值的下标

一维数组中的argmax

x = np.random.randint(1,10,6)

print(x)
# [1 7 7 1 4 3]

y = np.argmax(x)

print(y)
# 1

print(x[y])
# 7

二维数组中的argmax

np.random.seed(666)
x = np.random.randint(1,10,[3,4])
print(x)

# [[3 7 5 4]
# [2 1 9 8]
# [6 3 6 6]]
 
y = np.argmax(x,axis=0)
print(y)
# [2 0 1 1]

z = np.argmax(x,axis=1)
print(z)
# [1 2 0]

最小值下标 np.argmin()

返回最小值的下标

一维数组中的argmin

np.random.seed(666)

x = np.random.randint(1,10,10)

print(x)
# [3 7 5 4 2 1 9 8 6 3]

y = np.argmin(x)
print(y)
# 5

print(x[y])
# 1

二维数组中的argmin

np.random.seed(666)

x = np.random.randint(1,10,[3,4])

print(x)
# [[3 7 5 4]
# [2 1 9 8]
# [6 3 6 6]]
 
y = np.argmin(x,axis=0)

print(y)
# [1 1 0 0]

z = np.argmin(x,axis=1)
print(z)
# [0 1 1]

非0元素下标 np.nonzero()

返回非0元素的下标，返回的是一个元组

x = np.array([0,2,3])

y = np.nonzero(x)

print(y)
# (array([1, 2], dtype=int64),)

print(x[y])
# [2 3]

print(type(y))
# <class 'tuple'>

条件判断 np.where()

np.where( condition , [ x , y ] )

若给给出了 x，y ， 满足条件的转换为x，否则转换为y

若未给出 x，y，则返回一个tuple，为满足条件的元素的下标,此时等价于 np.nonzero()

x = np.arange(10)
y = np.where(x<5,x,10*x)

print(y)
# [ 0  1  2  3  4 50 60 70 80 90]

x = np.array([
    [0,1,2],
    [0,2,4],
    [0,3,6]
])

y = np.where(x<4,x,-1)

print(y)
# [[ 0  1  2]
# [ 0  2 -1]
# [ 0  3 -1]]

若未给出 x，y，则返回一个tuple，为满足条件的元素的下标,此时等价于 np.nonzero()

x = np.arange(1,8)

y = np.where(x>5)

print(y)
# (array([5, 6], dtype=int64),)

print(type(y))
# <class 'tuple'>

print(x[y])
# [6 7]

z = np.nonzero(x>5)

print(z)
# (array([5, 6], dtype=int64),)

print(type(z))
# <class 'tuple'>

print(x[z])
# [6 7]

计数

计算非0元素个数 np.count_nonzero()

np.count_nonzero(x) 不指定axis，表示求所有的非0元素个数

x = np.eye(4)

print(x)
# [[1. 0. 0. 0.]
# [0. 1. 0. 0.]
# [0. 0. 1. 0.]
# [0. 0. 0. 1.]]

y = np.count_nonzero(x)
print(y)
# 4

x = np.count_nonzero([[0,1,7,0,0],[3,0,0,2,19]])

print(x)
# 5

np.count_nonzero(x，axis=0) 表示求每一列中的非0元素

np.count_nonzero(x，axis=0) 表示求每一行中的非0元素

x = np.array([[0,1,7,0,0],[3,0,0,2,19]])
print(x)
# [[ 0  1  7  0  0]
# [ 3  0  0  2 19]]

y = np.count_nonzero(x)
print(y)
# 5

y = np.count_nonzero(x,axis=0)
print(y)
# [1 1 1 1 1]

y = np.count_nonzero(x,axis=1)
print(y)
# [2 3]

集合操作

构建集合 np.unique()

numpy.unique(x,return_index = False, return_inverse = True , return_counts = False)

numpy.unique() 构造一个集合，即删除掉x中的重复元素

x = np.unique([1,1,3,2,3,3])

print(x)
print(type(x))
# [1 2 3]
# <class 'numpy.ndarray'>

x = sorted(set([1,1,3,2,3,3]))

print(x)
print(type(x))

# [1, 2, 3]
# <class 'list'>

x = np.array([[1,1],[2,3]])
u = np.unique(x)

print(u)
# [1 2 3]

可以指定在哪个纬度构建集合

x = np.array([[1,0,0],[1,0,0],[2,3,4]])
print(x)

y = np.unique(x,axis=0)
print(y)

# [[1 0 0]
# [1 0 0]
# [2 3 4]]

# [[1 0 0]
# [2 3 4]]

return_index = True 表示 新列表元素在旧列表的位置

x = np.array(['a','a','c','b','b'])
# 新列表元素在旧列表的位置
u,index = np.unique(x,return_index=True)

print(u)
print(index)
print(x[index])

# ['a' 'b' 'c']
# [0 3 2]
# ['a' 'b' 'c']

return_inverse=True 表示 旧列表元素在新列表中的位置

x = np.array([1,1,6,4,2,3,2])
# 旧列表元素在新列表中的位置
u,index = np.unique(x,return_inverse=True)

print(u)
print(index)
print(u[index])

# [1 2 3 4 6]
# [0 0 4 3 1 2 1]
# [1 1 6 4 2 3 2]

return_counts=True 新列表元素在就列表中出现的次数

x = np.array([1,1,6,4,2,3,2])
u,count = np.unique(x,return_counts=True)

print(u)
# 新列表元素在就列表中出现的次数
print(count)

# [1 2 3 4 6]
# [2 2 1 1 1]

布尔运算 numpy.in1d()

np.in1d(x,y,invert=False) x中每一个元素是否在y中，返回布尔值组成的数组

invert表示是否取反

invert=True时表示对结果取反，即x中每一个元素是否不在y中

test = np.array([0,1,2,5,0])

states = [0,2]

mask = np.in1d(test,states)

print(mask)
# [ True False  True False  True]

print(test[mask])
# [0 2 0]

invert=True时表示对结果取反，即x中每一个元素是否不在y中

mask = np.in1d(test,states,invert=True)

print(mask)
# [False  True False  True False]

print(test[mask])
# [1 5]