Numpy入门教程：06. 排序，搜索和计数
背景
什么是 NumPy 呢？
NumPy 这个词来源于两个单词 – Numerical和Python。其是一个功能强大的 Python 库，可以帮助程序员轻松地进行数值计算，通常应用于以下场景：
- 执行各种数学任务，如：数值积分、微分、内插、外推等。因此，当涉及到数学任务时，它形成了一种基于 Python 的 MATLAB 的快速替代。
- 计算机中的图像表示为多维数字数组。NumPy 提供了一些优秀的库函数来快速处理图像。例如，镜像图像、按特定角度旋转图像等。
- 在编写机器学习算法时，需要对矩阵进行各种数值计算。如：矩阵乘法、求逆、换位、加法等。NumPy 数组用于存储训练数据和机器学习模型的参数。
排序，搜索和计数
排序
numpy.sort(a[, axis=-1, kind='quicksort', order=None])Return a sorted copy of an array.- axis：排序沿数组的（轴）方向，0表示按行，1表示按列，None表示展开来排序，默认为-1，表示沿最后的轴排序。
- kind：排序的算法，提供了快排’quicksort’、混排’mergesort’、堆排’heapsort’， 默认为‘quicksort’。
- order：排序的字段名，可指定字段排序，默认为None。
【例】
import numpy as npnp.random.seed(20200612)
x = np.random.rand(5, 5) * 10
x = np.around(x, 2)
print(x)
# [[2.32 7.54 9.78 1.73 6.22]
# [6.93 5.17 9.28 9.76 8.25]
# [0.01 4.23 0.19 1.73 9.27]
# [7.99 4.97 0.88 7.32 4.29]
# [9.05 0.07 8.95 7.9 6.99]]y = np.sort(x)
print(y)
# [[1.73 2.32 6.22 7.54 9.78]
# [5.17 6.93 8.25 9.28 9.76]
# [0.01 0.19 1.73 4.23 9.27]
# [0.88 4.29 4.97 7.32 7.99]
# [0.07 6.99 7.9 8.95 9.05]]y = np.sort(x, axis=0)
print(y)
# [[0.01 0.07 0.19 1.73 4.29]
# [2.32 4.23 0.88 1.73 6.22]
# [6.93 4.97 8.95 7.32 6.99]
# [7.99 5.17 9.28 7.9 8.25]
# [9.05 7.54 9.78 9.76 9.27]]y = np.sort(x, axis=1)
print(y)
# [[1.73 2.32 6.22 7.54 9.78]
# [5.17 6.93 8.25 9.28 9.76]
# [0.01 0.19 1.73 4.23 9.27]
# [0.88 4.29 4.97 7.32 7.99]
# [0.07 6.99 7.9 8.95 9.05]]
【例】
import numpy as npdt = np.dtype([('name', 'S10'), ('age', np.int)])
a = np.array([("Mike", 21), ("Nancy", 25), ("Bob", 17), ("Jane", 27)], dtype=dt)
b = np.sort(a, order='name')
print(b)
# [(b'Bob', 17) (b'Jane', 27) (b'Mike', 21) (b'Nancy', 25)]b = np.sort(a, order='age')
print(b)
# [(b'Bob', 17) (b'Mike', 21) (b'Nancy', 25) (b'Jane', 27)]
如果排序后，想用元素的索引位置替代排序后的实际结果，该怎么办呢？
numpy.argsort(a[, axis=-1, kind='quicksort', order=None])Returns the indices that would sort an array.
【例】对数组沿给定轴执行间接排序，并使用指定排序类型返回数据的索引数组。这个索引数组用于构造排序后的数组。
import numpy as npnp.random.seed(20200612)
x = np.random.randint(0, 10, 10)
print(x)
# [6 1 8 5 5 4 1 2 9 1]y = np.argsort(x)
print(y)
# [1 6 9 7 5 3 4 0 2 8]print(x[y])
# [1 1 1 2 4 5 5 6 8 9]y = np.argsort(-x)
print(y)
# [8 2 0 3 4 5 7 1 6 9]print(x[y])
# [9 8 6 5 5 4 2 1 1 1]
【例】
import numpy as npnp.random.seed(20200612)
x = np.random.rand(5, 5) * 10
x = np.around(x, 2)
print(x)
# [[2.32 7.54 9.78 1.73 6.22]
# [6.93 5.17 9.28 9.76 8.25]
# [0.01 4.23 0.19 1.73 9.27]
# [7.99 4.97 0.88 7.32 4.29]
# [9.05 0.07 8.95 7.9 6.99]]y = np.argsort(x)
print(y)
# [[3 0 4 1 2]
# [1 0 4 2 3]
# [0 2 3 1 4]
# [2 4 1 3 0]
# [1 4 3 2 0]]y = np.argsort(x, axis=0)
print(y)
# [[2 4 2 0 3]
# [0 2 3 2 0]
# [1 3 4 3 4]
# [3 1 1 4 1]
# [4 0 0 1 2]]y = np.argsort(x, axis=1)
print(y)
# [[3 0 4 1 2]
# [1 0 4 2 3]
# [0 2 3 1 4]
# [2 4 1 3 0]
# [1 4 3 2 0]]y = np.array([np.take(x[i], np.argsort(x[i])) for i in range(5)])
print(y)
# [[1.73 2.32 6.22 7.54 9.78]
# [5.17 6.93 8.25 9.28 9.76]
# [0.01 0.19 1.73 4.23 9.27]
# [0.88 4.29 4.97 7.32 7.99]
# [0.07 6.99 7.9 8.95 9.05]]
如何将数据按照某一指标进行排序呢？
numpy.lexsort(keys[, axis=-1])Perform an indirect stable sort using a sequence of keys.
【例】按照第一列的升序或者降序对整体数据进行排序。
import numpy as npnp.random.seed(20200612)
x = np.random.rand(5, 5) * 10
x = np.around(x, 2)
print(x)
# [[2.32 7.54 9.78 1.73 6.22]
# [6.93 5.17 9.28 9.76 8.25]
# [0.01 4.23 0.19 1.73 9.27]
# [7.99 4.97 0.88 7.32 4.29]
# [9.05 0.07 8.95 7.9 6.99]]index = np.lexsort([x[:, 0]])
print(index)
# [2 0 1 3 4]y = x[index]
print(y)
# [[0.01 4.23 0.19 1.73 9.27]
# [2.32 7.54 9.78 1.73 6.22]
# [6.93 5.17 9.28 9.76 8.25]
# [7.99 4.97 0.88 7.32 4.29]
# [9.05 0.07 8.95 7.9 6.99]]index = np.lexsort([-1 * x[:, 0]])
print(index)
# [4 3 1 0 2]y = x[index]
print(y)
# [[9.05 0.07 8.95 7.9 6.99]
# [7.99 4.97 0.88 7.32 4.29]
# [6.93 5.17 9.28 9.76 8.25]
# [2.32 7.54 9.78 1.73 6.22]
# [0.01 4.23 0.19 1.73 9.27]]
【例】
import numpy as npx = np.array([1, 5, 1, 4, 3, 4, 4])
y = np.array([9, 4, 0, 4, 0, 2, 1])
a = np.lexsort([x])
b = np.lexsort([y])
print(a)
# [0 2 4 3 5 6 1]
print(x[a])
# [1 1 3 4 4 4 5]print(b)
# [2 4 6 5 1 3 0]
print(y[b])
# [0 0 1 2 4 4 9]z = np.lexsort([y, x])
print(z)
# [2 0 4 6 5 3 1]
print(x[z])
# [1 1 3 4 4 4 5]z = np.lexsort([x, y])
print(z)
# [2 4 6 5 3 1 0]
print(y[z])
# [0 0 1 2 4 4 9]
搜索
numpy.argmax(a[, axis=None, out=None])Returns the indices of the maximum values along an axis.
【例】
import numpy as npnp.random.seed(20200612)
x = np.random.rand(5, 5) * 10
x = np.around(x, 2)
print(x)
# [[2.32 7.54 9.78 1.73 6.22]
# [6.93 5.17 9.28 9.76 8.25]
# [0.01 4.23 0.19 1.73 9.27]
# [7.99 4.97 0.88 7.32 4.29]
# [9.05 0.07 8.95 7.9 6.99]]y = np.argmax(x)
print(y) # 2y = np.argmax(x, axis=0)
print(y)
# [4 0 0 1 2]y = np.argmax(x, axis=1)
print(y)
# [2 3 4 0 0]
numpy.argmin(a[, axis=None, out=None])Returns the indices of the minimum values along an axis.
【例】
import numpy as npnp.random.seed(20200612)
x = np.random.rand(5, 5) * 10
x = np.around(x, 2)
print(x)
# [[2.32 7.54 9.78 1.73 6.22]
# [6.93 5.17 9.28 9.76 8.25]
# [0.01 4.23 0.19 1.73 9.27]
# [7.99 4.97 0.88 7.32 4.29]
# [9.05 0.07 8.95 7.9 6.99]]y = np.argmin(x)
print(y) # 10y = np.argmin(x, axis=0)
print(y)
# [2 4 2 0 3]y = np.argmin(x, axis=1)
print(y)
# [3 1 0 2 1]
numpy.where(condition, [x=None, y=None])函数返回输入数组中满足给定条件的元素的索引。
【例】
import numpy as npx = np.array([1, 2, 3, 4, 5, 6, 7, 8])
y = np.where(x > 5)
print(y)
# (array([5, 6, 7], dtype=int64),)
print(x[y])
# [6 7 8]x = np.array([[11, 12, 13, 14, 15],[16, 17, 18, 19, 20],[21, 22, 23, 24, 25],[26, 27, 28, 29, 30],[31, 32, 33, 34, 35]])
y = np.where(x > 25)
print(y)
# (array([3, 3, 3, 3, 3, 4, 4, 4, 4, 4], dtype=int64), array([0, 1, 2, 3, 4, 0, 1, 2, 3, 4], dtype=int64))print(x[y])
# [26 27 28 29 30 31 32 33 34 35]
numpy.searchsorted(a, v[, side='left', sorter=None])Find indices where elements should be inserted to maintain order.- a：一维输入数组。当
sorter参数为None的时候，a必须为升序数组；否则，sorter不能为空，存放a中元素的index，用于反映a数组的升序排列方式。 - v：插入
a数组的值，可以为单个元素，list或者ndarray。 - side：查询方向，当为
left时，将返回第一个符合条件的元素下标；当为right时，将返回最后一个符合条件的元素下标。 - sorter：一维数组存放
a数组元素的 index，index 对应元素为升序。
- a：一维输入数组。当
【例】
import numpy as npx = np.array([0, 1, 5, 9, 11, 18, 26, 33])
y = np.searchsorted(x, 15)
print(y) # 5y = np.searchsorted(x, 15, side='right')
print(y) # 5y = np.searchsorted(x, -1)
print(y) # 0y = np.searchsorted(x, -1, side='right')
print(y) # 0y = np.searchsorted(x, 35)
print(y) # 8y = np.searchsorted(x, 35, side='right')
print(y) # 8y = np.searchsorted(x, 11)
print(y) # 4y = np.searchsorted(x, 11, side='right')
print(y) # 5y = np.searchsorted(x, 0)
print(y) # 0y = np.searchsorted(x, 0, side='right')
print(y) # 1y = np.searchsorted(x, 33)
print(y) # 7y = np.searchsorted(x, 33, side='right')
print(y) # 8
【例】
import numpy as npx = np.array([0, 1, 5, 9, 11, 18, 26, 33])
y = np.searchsorted(x, [-1, 0, 11, 15, 33, 35])
print(y) # [0 0 4 5 7 8]y = np.searchsorted(x, [-1, 0, 11, 15, 33, 35], side='right')
print(y) # [0 1 5 5 8 8]
【例】
import numpy as npx = np.array([0, 1, 5, 9, 11, 18, 26, 33])
np.random.shuffle(x)
print(x) # [33 1 9 18 11 26 0 5]x_sort = np.argsort(x)
print(x_sort) # [6 1 7 2 4 3 5 0]y = np.searchsorted(x, [-1, 0, 11, 15, 33, 35], sorter=x_sort)
print(y) # [0 0 4 5 7 8]y = np.searchsorted(x, [-1, 0, 11, 15, 33, 35], side='right', sorter=x_sort)
print(y) # [0 1 5 5 8 8]
计数
numpy.count_nonzero(a, axis=None)Counts the number of non-zero values in the array a.
【例】返回数组中的非0元素个数。
import numpy as npx = np.count_nonzero(np.eye(4))
print(x) # 4x = np.count_nonzero([[0, 1, 7, 0, 0], [3, 0, 0, 2, 19]])
print(x) # 5x = np.count_nonzero([[0, 1, 7, 0, 0], [3, 0, 0, 2, 19]], axis=0)
print(x) # [1 1 1 1 1]x = np.count_nonzero([[0, 1, 7, 0, 0], [3, 0, 0, 2, 19]], axis=1)
print(x) # [2 3]
当前活动
我是 终身学习者“老马”，一个长期践行“结伴式学习”理念的 中年大叔。
我崇尚分享，渴望成长，于2010年创立了“LSGO软件技术团队”，并加入了国内著名的开源组织“Datawhale”，也是“Dre@mtech”、“智能机器人研究中心”和“大数据与哲学社会科学实验室”的一员。
愿我们一起学习，一起进步，相互陪伴，共同成长。
后台回复「搜搜搜」，随机获取电子资源！
欢迎关注，请扫描二维码：
相关文章：
活动目录在构建核心过程中的八个关键点（下）
活动目录是一个面向Windows Server级别的目录服务。在之前的博客文章中介绍了活动目录设计中需要遵循的七个原则，今天在这里讲解有关《活动目录构建核心关键点》。 全文请见专题：http://os.51cto.com/art/201104/254054.htm 5. LDAP协议简介 LDAP的英文全…
smarty变量调节器--count_words[计算词数]
计算变量里的词数 。 Example 5-7. count_words <?php$smarty->assign(articleTitle, Dealers Will Hear Car Talk at Noon.);?>Where template is:{$articleTitle}{$articleTitle|count_words}This will output:Dealers Will Hear Car Talk at Noon.7 See also cou…
如何开发属于自己的第一个Java程序
学习java技术都是循序渐进的，搭建好了Java开发环境之后，下面就来学习一下如何开发Java程序。为了让初学者更好地完成第一个Java程序，接下来小编通过几个步骤进行逐一讲解。 1.编写Java源文件 在D盘根目录下新建一个test文件夹，并在…
Numpy入门教程：07. 随机抽样
背景 什么是 NumPy 呢？ NumPy 这个词来源于两个单词 – Numerical和Python。其是一个功能强大的 Python 库，可以帮助程序员轻松地进行数值计算，通常应用于以下场景： 执行各种数学任务，如：数值积分、微分、…
如何成为一个Android高手
很多Android开发者已经度过了初级、中级，如何成为一个Android高手呢？ eoeAndroid就各个级别的程序员应该掌握哪些内容作为下面分类. 一、初级 1. 拥有娴熟的Java基础，理解设计模式，比如OOP语言的工厂模式要懂得. 2. 掌握Android U…
云终端处理器——Atom
由于上周展会的缘故，开始对云终端【I】处理器产生兴趣，接下来在“物理层”【II】来理解下X86-Atom，ARM，MIPS三种处理器，这是第一篇，主Atom Intel公司的官网简单介绍了一句 “英特尔 凌动【III】 处理器&am…
Java培训的学费标准是多少
很多想要进入到互联网行业的小伙伴都会选择java这门编程语言，java编程语言技术在互联网公司是起着非常重要的作用的，那么如今市面上的java培训机构有很多，选择报Java培训的学费标准是多少呢?来看看下面的详细介绍。 Java培训的学费…
Numpy入门教程：08. 集合操作
背景 什么是 NumPy 呢？ NumPy 这个词来源于两个单词 – Numerical和Python。其是一个功能强大的 Python 库，可以帮助程序员轻松地进行数值计算，通常应用于以下场景： 执行各种数学任务，如：数值积分、微分、…
iPhone开发技巧之工具篇（4）--- 使用afconvert转换WAV文件
转载自：http://www.yifeiyang.net/iphone-development-skills-of-tool-papers-4-wav-file-conversion-using-afconvert/ 程序中经常使用 .WAV 的音效文件，虽然可以直接使用它，但是最好转换为 apple 推荐的 .CAF 格式。 这个时候我们就可以使用…
SQLite与pandas
以下链接对SQLite使用方法总结的很棒： http://www.cnblogs.com/yuxc/archive/2011/08/18/2143606.html 有关利用pandas读写QSLite的内容，可参考以下链接： http://pandas.pydata.org/pandas-docs/stable/generated/pandas.read_sql.html http:…
零基础学习java，这些书一定要看!
学习java技术除了看视频，看书也是非常重要的，尤其是零基础同学，本文包含学习Java各个阶段的书籍推荐，史上最全，学习Java，没有书籍怎么行，就好比出征没带兵器一个道理，这些书籍整理出…
Numpy入门教程：练习作业01
序言 什么是 NumPy 呢？ NumPy 这个词来源于两个单词 – Numerical和Python。其是一个功能强大的 Python 库，可以帮助程序员轻松地进行数值计算，通常应用于以下场景： 执行各种数学任务，如：数值积分、微分、…
转乱码UTF8和UTF-8网页编码
http://www.lovelucy.info/utf8-vs-utf-8.html#more-794 一、遇到的问题 曾经被字符集间复杂的转换搞怕了，正好新项目要求国际化，需要能够显示多种语言，于是一开始就规定统统使用 UTF-8 编码。 所有代码文件使用 UTF-8 编码存盘MySQL数据库所…
linux管道的执行顺序
最近有个疑问，netstat -antup|head -500 类似这条命令中，是netstat 执行完然后截取前500条记录还是，netstat 与head 并行执行，netstat 执行完500条就不再继续？ 最终答案由酷学园darkdanger大大提供： 唔…
为什么学习Python数据分析
为什么学习Python数据分析?这是很多人都比较关注的一个问题，Python编程语言近几年在互联网行业是非常火爆的，尤其是在人工智能这一领域，它会大大的提高我们的工作效率等等，具体来看看下面的详细介绍就知道了。 为什么学习Python数…
Python自动化开发学习6
引子 假设我们要在我们的程序里表示狗，狗有如下属性：名字、品种、颜色。那么可以先定义一个模板，然后调用这个模板生成各种狗。 def dog(name,d_type,color):data {name:name,d_type:d_type,color:color}return data d1 dog(小七,拉布拉多,…
Numpy入门教程：09. 输入和输出
背景 什么是 NumPy 呢？ NumPy 这个词来源于两个单词 – Numerical和Python。其是一个功能强大的 Python 库，可以帮助程序员轻松地进行数值计算，通常应用于以下场景： 执行各种数学任务，如：数值积分、微分、…
第二语言综合征
前些天在看一本书，温伯格的《理解专业程序员》，其中提到有的程序员得了第二语言综合征——在学习第三、第四门语言的时候很容易，但是学习第二门简直能要了他们的命。我当时就确定我患了这个毛病，因为我一直想了解Java语言…
Python文件操作:finally子句的使用
finally子句与try-except语句连用时，无论try-except是否捕获到异常，finally子句后的代码都要执行，其语法格式如下： try: 可能出错的语句 ......except: 出错后的执行语句finally: 无论是否出错都会执行的语句 Python在处理文件时&…
Numpy入门教程：练习作业02
背景 什么是 NumPy 呢？ NumPy 这个词来源于两个单词 – Numerical和Python。其是一个功能强大的 Python 库，可以帮助程序员轻松地进行数值计算，通常应用于以下场景： 执行各种数学任务，如：数值积分、微分、…
PowerShell 导入 SQL Server 的 PS 模块
接触过UNIX或者Linux 的朋友都知道此类系统有着功能强大、无所不能的壳程序,称之为Shell。微软公司于2006年第四季度正式发布PowerShell，它的出现标志着, 微软公司向服务器领域迈出了重要的一步, 不仅提供简便的图形化操作界面，同时提供类似于Unix, Linu…
ARM嵌入式操作系统启动
任何一个操作系统的启动都至少关注两个方面：１，程序运行栈的初始化。２，处理器外设的初始化。 在ＡＲＭｖ６以及以前的体系结构中，定义了七种模式分别为&…
Html5 aside标签的用法和作用
aside元素用来定义当前页面或者文章的附属信息部分，它可以包含与当前页面或主要内容相关的引用、侧边栏、广告、导航条等其他类似的有别于主要内容的部分。 aside元素的用法主要分为两种。 ● 被包含在article元素内作为主要内容的附属信息。 ● 在article元素之外使…
Numpy入门教程：10. 统计相关
背景 什么是 NumPy 呢？ NumPy 这个词来源于两个单词 – Numerical和Python。其是一个功能强大的 Python 库，可以帮助程序员轻松地进行数值计算，通常应用于以下场景： 执行各种数学任务，如：数值积分、微分、…
Windows 7+Code::Blocks+wxWidgets实录(一）
环境配置篇 玩过Linux的人应该对Code::Blocks和wxWidgets并不陌生。 Code::Blocks是一款非常有名的代码编辑器，在linux下用不惯vim的话，这是个不错的选择。但千万不要把它和编译器混淆，CB本身并没有独立编译程序的功能，需要调用系…
技巧：两部解决U盘安装windows 7
第一步：准备一个4G的U盘并使用disk part 工具制作成引导盘1、在运行中输入cmd 回车2、在黑色的命令提示符界面中输入Diskpart3、插入U盘 并输入List Disk查看4、输入Select Disk 1 （选择你的U盘所在的标识）5、输入clean 清除旧的信息6、输入c…
报Java面授班有哪些优势
java技术在互联网行业的高速发展，让很多人都开始学习java技术，大家都想知道学习java技术面授班好还是网络班好，小编觉得当然是面授班比较好，下面小编就带大家来详细的了解一下报Java面授班有哪些优势? 报Java面授班有哪…
刻意练习：Python基础 -- Task13. datetime模块详解
datetime模块 datetime 是 Python 中处理日期的标准模块，它提供了 4 种对日期和时间进行处理的类：datetime、date、time 和 timedelta。 datetime类 class datetime(date):def __init__(self, year, month, day, hour, minute, second, microsecond, t…
关于java和c的选择结构和循环结构
java和c在这些结构上确实没区别。 另学会一个小技巧，在编辑界面选中段落之后按tab可以整体后移选中的段落，再按shifttab可以将选中的段落前移。转载于:https://www.cnblogs.com/hloli/archive/2012/03/15/2398675.html
从控制器到驱动器的WD——硬盘巨头启示录之西数篇
WD（Western Digital，西部数据）公司创立的时间比希捷公司还早近10年，但作为硬盘驱动器供应商的历史可不算长。1970年4月23日，一家名为General Digital（通用数字）的公司诞生了，其最初是…