Ответ 1
Если вы вызываете
arr.argsort()[:3]
Он даст вам индексы трех наименьших элементов.
array([0, 2, 1], dtype=int64)
Итак, для n вы должны позвонить
arr.argsort()[:n]
Мне нужно N минимальных (индексных) значений в массиве numpy
Привет У меня есть массив с X количеством значений в нем. Я хотел бы найти индексы десяти наименьших значений. В этой ссылке они рассчитали максимально эффективно, Как получить индексы N максимальных значений в массиве numpy? однако я не могу прокомментировать ссылки, поэтому мне нужно перепросить вопрос.
Я не уверен, какие индексы мне нужно изменить для достижения минимальных, а не максимальных значений. Это их код
In [1]: import numpy as np
In [2]: arr = np.array([1, 3, 2, 4, 5])
In [3]: arr.argsort()[-3:][::-1]
Out[3]: array([4, 3, 1])
Ответы
Ответ 2
Поскольку этот вопрос был отправлен, numpy обновил, чтобы включить более быстрый способ выбора наименьших элементов из массива с помощью argpartition. Он был впервые включен в Numpy 1.8.
Используя критический ответ в качестве вдохновения, мы можем быстро найти наименьшие элементы k=3:
In [1]: import numpy as np
In [2]: arr = np.array([1, 3, 2, 4, 5])
In [3]: k = 3
In [4]: ind = np.argpartition(arr, k)[:k]
In [5]: ind
Out[5]: array([0, 2, 1])
In [6]: arr[ind]
Out[6]: array([1, 2, 3])
Это будет работать в O (n) раз, потому что ему не нужно делать полный сортировку. Если вам нужны ваши ответы отсортированы ( Примечание:, в этом случае выходной массив был в отсортированном порядке, но это не гарантировано), вы можете отсортировать вывод:
In [7]: sorted(arr[ind])
Out[7]: array([1, 2, 3])
Это выполняется на O (n + k log k), поскольку сортировка выполняется на меньших вывода.
Ответ 3
Я не гарантирую, что это будет быстрее, но лучший алгоритм будет полагаться на heapq.
import heapq
indices = heapq.nsmallest(10,np.nditer(arr),key=arr.__getitem__)
Это должно работать примерно в O(N), тогда как при использовании argsort будут выполняться операции O(NlogN). Тем не менее, другой переносится в сильно оптимизированный C, поэтому он все равно может работать лучше. Чтобы точно знать, вам нужно будет запустить некоторые тесты по вашим фактическим данным.
Ответ 4
Просто не меняйте результаты сортировки.
In [164]: a = numpy.random.random(20)
In [165]: a
Out[165]:
array([ 0.63261763, 0.01718228, 0.42679479, 0.04449562, 0.19160089,
0.29653725, 0.93946388, 0.39915215, 0.56751034, 0.33210873,
0.17521395, 0.49573607, 0.84587652, 0.73638224, 0.36303797,
0.2150837 , 0.51665416, 0.47111993, 0.79984964, 0.89231776])
Сортировка:
In [166]: a.argsort()
Out[166]:
array([ 1, 3, 10, 4, 15, 5, 9, 14, 7, 2, 17, 11, 16, 8, 0, 13, 18,
12, 19, 6])
Первая десятка:
In [168]: a.argsort()[:10]
Out[168]: array([ 1, 3, 10, 4, 15, 5, 9, 14, 7, 2])