这里有numpy数组的相关介绍http://www.zzvips.com/article/126285.html
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:
1
2
3
4
5
6
7
8
9
10
11
|
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*的方法,会返回一个副本:
1
2
3
4
5
6
7
8
9
10
11
12
13
|
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。
1
2
3
4
5
6
7
8
9
10
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
36
37
38
39
40
41
|
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。
1
2
3
4
|
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。
1
2
3
4
5
6
7
8
9
|
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
1
2
3
4
|
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
1
2
|
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
1
2
|
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)
1
2
|
In [ 12 ]: np.setdiff1d(k,i)
Out[ 12 ]: array([ 0 , 6 , 7 ])
|
1
|
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。
1
2
3
4
5
|
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!
原文链接:http://www.cnblogs.com/sunshinewang/p/6905791.html