这里有numpy数组的相关介绍//www.haodaima.com/article/130657.htm
排序
numpy与python列表内置的方法类似,也可通过sort方法进行排序。
用法如下:
In [1]: import numpy as np In [2]: x = np.random.randn(9) In [3]: x Out[3]: array([-0.4041504 , -0.42198556, 0.92807217, -2.66609196, 1.50915897, 0.38080873, 1.05325796, -1.16488798, 0.04062064]) In [4]: x.sort() In [5]: x Out[5]: array([-2.66609196, -1.16488798, -0.42198556, -0.4041504 , 0.04062064, 0.38080873, 0.92807217, 1.05325796, 1.50915897])
可以发现上述的sort方法是直接对x进行了排序而并没有创建一个副本。
但是np.sort()这个顶级的方法,会返回一个副本:
In [6]: x = np.random.randn(6) In [7]: x Out[7]: array([ 0.14240205, 0.48903869, 0.22528632, 1.31659382, 0.00352338, 0.95574862]) In [8]: np.sort(x) Out[8]: array([ 0.00352338, 0.14240205, 0.22528632, 0.48903869, 0.95574862, 1.31659382]) In [9]: x Out[9]: array([ 0.14240205, 0.48903869, 0.22528632, 1.31659382, 0.00352338, 0.95574862])
传入轴编号,可以实现在某一个轴向上进行排序。
In [34]: x = np.random.randn(5,4) In [35]: x Out[35]: array([[-0.26646799, -0.40714749, -0.76788268, -0.25340467], [ 0.70099086, -0.88716684, 0.13461279, 2.14412835], [ 0.39718924, -0.14671297, -0.67821163, 1.85798273], [-0.29389289, 0.0346094 , 0.25213133, 0.87105479], [-0.10797243, 1.60188878, 0.67829493, 0.43291808]]) In [36]: s = x In [37]: s.sort(0)#按列进行排序 In [38]: s Out[38]: array([[-0.29389289, -0.88716684, -0.76788268, -0.25340467], [-0.26646799, -0.40714749, -0.67821163, 0.43291808], [-0.10797243, -0.14671297, 0.13461279, 0.87105479], [ 0.39718924, 0.0346094 , 0.25213133, 1.85798273], [ 0.70099086, 1.60188878, 0.67829493, 2.14412835]]) In [39]: x Out[39]: array([[-0.29389289, -0.88716684, -0.76788268, -0.25340467], [-0.26646799, -0.40714749, -0.67821163, 0.43291808], [-0.10797243, -0.14671297, 0.13461279, 0.87105479], [ 0.39718924, 0.0346094 , 0.25213133, 1.85798273], [ 0.70099086, 1.60188878, 0.67829493, 2.14412835]]) In [40]: x = np.random.randn(5,4) In [41]: x Out[41]: array([[ 0.82309157, -0.56413805, -0.1766557 , -0.31924962], [-1.25606694, 2.63622922, 2.47481377, 0.27840961], [ 0.63659583, 1.52779004, -0.90582752, 0.82325241], [-1.52664294, -0.5285837 , -1.96380368, -0.44323125], [ 1.94859294, 2.55676806, 1.53614848, -0.43366557]]) In [42]: x.sort(1)#按行进行排序 In [43]: x Out[43]: array([[-0.56413805, -0.31924962, -0.1766557 , 0.82309157], [-1.25606694, 0.27840961, 2.47481377, 2.63622922], [-0.90582752, 0.63659583, 0.82325241, 1.52779004], [-1.96380368, -1.52664294, -0.5285837 , -0.44323125], [-0.43366557, 1.53614848, 1.94859294, 2.55676806]])
在这儿,我试图将x赋值给s,结果发现对s排序后,x也变了,这说明,在内存中,实际上,s,x是指向同一组值得。
我也曾试图输入s.sort(2),结果出现了ValueError:axis(=2)outofbounds,这也就和前面的统计函数的axis参数是一致的。
那么也就是说,他的用法和axis一致。
利用排序,我们还能得到分位数(
分位数(英语:Quantile),亦称分位点,是指将一个随机变量的概率分布范围分为几个等份的数值点,常用的有中位数(即二分位数)、四分位数、百分位数等。具体可自行搜索),从而得到特定位置的值。
In [44]: x = np.random.randn(500) In [45]: x.sort() In [46]: x[int(0.05 * len(x))] #5%分位数 Out[46]: -1.7657191623368329
还有很多没有深入了解,比如怎么降序排列,待续。
集合运算
unique(x)返回集合中的唯一值,并排序,其实也就是去除重复值。
In [1]: import numpy as np In [2]: str = np.array(['s','f','r','s','d','f','w','r']) In [3]: np.unique(str) Out[3]: array(['d', 'f', 'r', 's', 'w'], dtype='<U1') In [4]: i = np.array([2,2,2,2,1,1,3,4,5,4,3,5]) In [5]: np.unique(i) Out[5]: array([1, 2, 3, 4, 5])
intersect1d(x,y)返回集合A和B的交集,并排序
In [6]: k = np.arange(8) In [7]: np.intersect1d(i, k) Out[7]: array([1, 2, 3, 4, 5])
union1d(x,y)返回集合A和B的并集,并排序
In [8]: np.union1d(i,k) Out[8]: array([0, 1, 2, 3, 4, 5, 6, 7])
in1d(x,y)返回一个A包含于B的布尔型数组
In [10]: np.in1d(k,i) Out[10]: array([False, True, True, True, True, True, False, False], dtype=bool)
setdiff1d(x,y)集合的差,包含于A但不包含于B,相当于A-(A∩B)
In [12]: np.setdiff1d(k,i) Out[12]: array([0, 6, 7])
setxor1d(x,y)存在于A中但不同时存在于B中,也就是对称差,说白了就是A和B交集之外的部分。
就是红色的部分。
In [13]: s = np.arange(4,12) In [14]: s Out[14]: array([ 4, 5, 6, 7, 8, 9, 10, 11]) In [15]: np.setxor1d(s,k) Out[15]: array([ 0, 1, 2, 3, 8, 9, 10, 11])
总结
以上就是本文关于numpy排序与集合运算用法示例的全部内容,希望对大家有所帮助。感兴趣的朋友可以继续参阅本站其他相关专题,如有不足之处,欢迎留言指出。感谢朋友们对本站的支持!