numpy.where() 有兩種用法：

1. np.where(condition, x, y)

滿足條件(condition)，輸出x，不滿足輸出y。

如果是一維數(shù)組，相當(dāng)于[xv if c else yv for (c,xv,yv) in zip(condition,x,y)]

>>> aa = np.arange(10)
>>> np.where(aa,1,-1)
array([-1,  1,  1,  1,  1,  1,  1,  1,  1,  1])  # 0為False，所以第一個輸出-1
>>> np.where(aa > 5,1,-1)
array([-1, -1, -1, -1, -1, -1,  1,  1,  1,  1])

>>> np.where([[True,False], [True,True]],    # 官網(wǎng)上的例子
    [[1,2], [3,4]],
             [[9,8], [7,6]])
array([[1, 8],
    [3, 4]])

上面這個例子的條件為[[True,False], [True,False]]，分別對應(yīng)最后輸出結(jié)果的四個值。第一個值從[1,9]中選，因為條件為True，所以是選1。第二個值從[2,8]中選，因為條件為False，所以選8，后面以此類推。類似的問題可以再看個例子：

>>> a = 10
>>> np.where([[a > 5,a  5], [a == 10,a == 7]],
             [["chosen","not chosen"], ["chosen","not chosen"]],
             [["not chosen","chosen"], ["not chosen","chosen"]])

array([['chosen', 'chosen'],
       ['chosen', 'chosen']], dtype='U10')

2. np.where(condition)

只有條件 (condition)，沒有x和y，則輸出滿足條件 (即非0) 元素的坐標(biāo) (等價于numpy.nonzero)。這里的坐標(biāo)以tuple的形式給出，通常原數(shù)組有多少維，輸出的tuple中就包含幾個數(shù)組，分別對應(yīng)符合條件元素的各維坐標(biāo)。

>>> a = np.array([2,4,6,8,10])
>>> np.where(a > 5)    # 返回索引
(array([2, 3, 4]),)   
>>> a[np.where(a > 5)]     # 等價于 a[a>5]
array([ 6,  8, 10])

>>> np.where([[0, 1], [1, 0]])
(array([0, 1]), array([1, 0]))

上面這個例子條件中[[0,1],[1,0]]的真值為兩個1，各自的第一維坐標(biāo)為[0,1]，第二維坐標(biāo)為[1,0] 。

下面看個復(fù)雜點的例子：

>>> a = np.arange(27).reshape(3,3,3)
>>> a
array([[[ 0,  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]]])

>>> np.where(a > 5)
(array([0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2]),
 array([2, 2, 2, 0, 0, 0, 1, 1, 1, 2, 2, 2, 0, 0, 0, 1, 1, 1, 2, 2, 2]),
 array([0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2]))


# 符合條件的元素為
    [ 6,  7,  8]],

      [[ 9, 10, 11],
       [12, 13, 14],
       [15, 16, 17]],

      [[18, 19, 20],
       [21, 22, 23],
       [24, 25, 26]]]

所以np.where會輸出每個元素的對應(yīng)的坐標(biāo)，因為原數(shù)組有三維，所以tuple中有三個數(shù)組。

需要注意的一點是，輸入的不能直接是list，需要轉(zhuǎn)為array或者為array才行。比如range(10)和np.arange(10)后者返回的是數(shù)組，使用np.where才能達到效果。

np.argsort()的用法

numpy.argsort(a, axis=-1, kind='quicksort', order=None)

argsort(a)#獲取a從小到大排列的數(shù)組

argsort(-a)#獲取a從大到小排列的數(shù)組

argmin(a)#獲取a最小值下標(biāo)

argmax(a)#獲取a最大值下標(biāo)

功能: 將矩陣a按照axis排序，并返回排序后的下標(biāo)

參數(shù): a:輸入矩陣， axis:需要排序的維度

返回值: 輸出排序后的下標(biāo)

(一維數(shù)組)

import numpy as np
x = np.array([1,4,3,-1,6,9])
x.argsort()
# array([3, 0, 1, 2, 4, 5], dtype=int64)

可以發(fā)現(xiàn)，argsort()是將X中的元素從小到大排序后，提取對應(yīng)的索引index，然后輸出到y(tǒng)

如x[3]=-1最小，x[5]=9最大

所以取數(shù)組x的最小值可以寫成:

x[x.argsort()[0]]

或者用argmin()函數(shù)

x[x.argmin()]

數(shù)組x的最大值，寫成：

x[x.argsort()[-1]]  # -1代表從后往前反向的索引

或者用argmax()函數(shù),不再詳述

x[x.argmax()]

輸出排序后的數(shù)組

 x[x.argsort()]
# 或
x[np.argsort(x)]

(二維數(shù)組)

x = np.array([[1,5,4],[-1,6,9]])
# [[ 1  5  4]
# [-1  6  9]]

沿著行向下(每列)的元素進行排序

np.argsort(x,axis=0)
# array([[1, 0, 0],
#        [0, 1, 1]], dtype=int64)

沿著列向右(每行)的元素進行排序

np.argsort(x,axis=1)
# array([[0, 2, 1],
#        [0, 1, 2]], dtype=int64)

補充：Numpy.unravel_index()和Numpy.argsort()

由于編程和文筆都較差，寫的不好請見諒...

今天下午學(xué)習(xí)LDA模型的python實現(xiàn)，其中用到了Numpy庫，想詳細(xì)了解用到的每個函數(shù)，便在網(wǎng)上找資料。

其中遇到了Numpy.unravel_index()和Numpy.argsort()，看了好半天才弄懂orz心血來潮記錄一下

首先，附上英文官方文檔。https://docs.scipy.org/doc/numpy-1.13.0/reference/generated/numpy.argsort.html和https://docs.scipy.org/doc/numpy/reference/generated/numpy.unravel_index.html

講講我對Numpy.argsort()的理解：

numpy.argsort(a, axis=-1, kind='quicksort', order=None)

參數(shù)說明：a要排序的數(shù)組，

axis整型或者None，如果是None，數(shù)組將變成扁平數(shù)組（即變成一行數(shù)組）

kind排序算法，快排，歸并排序，堆排序...

order自定義字段順序

返回： index_array ：n維下標(biāo)數(shù)組

實例：一維數(shù)組

二維數(shù)組

然后講講我對numpy.unravel_index的理解~

numpy.unravel_index(indices, dims, order='C')

參數(shù)說明：indices數(shù)組

dims數(shù)組的維度大小

order:{C,F}（C行為主，F(xiàn)列為主）

返回： unraveled_coords為n維數(shù)組的元組

實例： 這個地方想了好久才明白T T

簡單解釋一下，22/6=3......4

總算寫完了！

以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。如有錯誤或未考慮完全的地方，望不吝賜教。