numpy排序與集合運(yùn)算用法示例
這里有numpy數(shù)組的相關(guān)介紹http://www.dhdzp.com/article/130657.htm
排序
numpy與python列表內(nèi)置的方法類似，也可通過sort方法進(jìn)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])
可以發(fā)現(xiàn)上述的sort方法是直接對x進(jìn)行了排序而并沒有創(chuàng)建一個副本。
但是np.sort()這個頂級的方法，會返回一個副本：
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])
傳入軸編號，可以實現(xiàn)在某一個軸向上進(jìn)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)#按列進(jìn)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)#按行進(jìn)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]])
在這兒，我試圖將x賦值給s，結(jié)果發(fā)現(xiàn)對s排序后，x也變了，這說明，在內(nèi)存中，實際上，s，x是指向同一組值得。
我也曾試圖輸入s.sort(2),結(jié)果出現(xiàn)了ValueError:axis(=2)outofbounds,這也就和前面的統(tǒng)計函數(shù)的axis參數(shù)是一致的。
那么也就是說，他的用法和axis一致。
利用排序，我們還能得到分位數(shù)（
分位數(shù)（英語：Quantile），亦稱分位點(diǎn)，是指將一個隨機(jī)變量的概率分布范圍分為幾個等份的數(shù)值點(diǎn)，常用的有中位數(shù)（即二分位數(shù)）、四分位數(shù)、百分位數(shù)等。具體可自行搜索），從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%分位數(shù) Out[46]: -1.7657191623368329
還有很多沒有深入了解，比如怎么降序排列，待續(xù)。
集合運(yùn)算
unique(x)返回集合中的唯一值，并排序，其實也就是去除重復(fù)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)返回一個A包含于B的布爾型數(shù)組
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,相當(dāng)于A-（A∩B)
In [12]: np.setdiff1d(k,i) Out[12]: array([0, 6, 7])
setxor1d(x,y)存在于A中但不同時存在于B中，也就是對稱差，說白了就是A和B交集之外的部分。
就是紅色的部分。
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])
總結(jié)
以上就是本文關(guān)于numpy排序與集合運(yùn)算用法示例的全部內(nèi)容，希望對大家有所幫助。感興趣的朋友可以繼續(xù)參閱本站其他相關(guān)專題，如有不足之處，歡迎留言指出。感謝朋友們對本站的支持！
相關(guān)文章
詳解使用python crontab設(shè)置linux定時任務(wù)
本篇文章主要介紹了使用python crontab設(shè)置linux定時任務(wù)，具有一定的參考價值，有需要的可以了解一下。2016-12-12
python?time模塊計算時間之間的差距(練習(xí)題)
這篇文章主要介紹了python?time模塊計算時間之間的差距,本文通過實例代碼給大家介紹的非常詳細(xì)，對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值，需要的朋友可以參考下2023-05-05
這篇文章主要介紹了Python中shape計算矩陣的方法,涉及Python數(shù)學(xué)運(yùn)算相關(guān)實現(xiàn)技巧,需要的朋友可以參考下2017-04-04
這篇文章主要介紹了Python列表賦值，復(fù)制，深拷貝以及5種淺拷貝詳解,本文給大家介紹的非常詳細(xì)，具有一定的參考借鑒價值，需要的朋友可以參考下2019-05-05
深度學(xué)習(xí)入門之Pytorch 數(shù)據(jù)增強(qiáng)的實現(xiàn)
這篇文章主要介紹了深度學(xué)習(xí)入門之Pytorch 數(shù)據(jù)增強(qiáng)的實現(xiàn)，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-02-02
python使用fileinput模塊實現(xiàn)逐行讀取文件的方法
這篇文章主要介紹了python使用fileinput模塊實現(xiàn)逐行讀取文件的方法,涉及Python中fileinput模塊操作文件的相關(guān)技巧,非常具有實用價值,需要的朋友可以參考下2015-04-04
這篇文章主要為大家詳細(xì)介紹了kaggle+mnist實現(xiàn)手寫字體識別，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-07-07
本文主要介紹了Python模塊域名dnspython解析，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2022-08-08
使用ITK-SNAP進(jìn)行摳圖操作并保存mask的實例
這篇文章主要介紹了使用ITK-SNAP進(jìn)行摳圖操作并保存mask的實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-07-07
今天小編就為大家分享一篇PyCharm無法引用自身項目解決方式，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-02-02