Мне нужны N минимальных (индексных) значений в массиве numpy

Hi у меня есть массив с количеством значений X 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 комментировать ссылки, поэтому мне нужно перепечатать вопрос.

Я не уверен, какие индексы мне нужно изменить, чтобы достичь 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])
14
arrays minimum numpy python

4 ответов

если вы называете

arr.argsort()[:3]

это даст вам индексы 3 самых маленьких элементов. 

array([0, 2, 1], dtype=int64)

так, для n, вам необходимо позвонить

arr.argsort()[:n]
29

поскольку этот вопрос был опубликован, numpy обновился, чтобы включить более быстрый способ выбора наименьших элементов из массива с помощью argpartition. Он был впервые включен в Numpy 1.8.

используя запутанно все!--6--> как вдохновение, мы можем быстро найти k=3 мельчайшие элементы:

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 выполняться в O (n) раз, потому что ему не нужно делать полную сортировку. Если вам нужны ответы отсортированы (Примечание: в этом случае выходной массив был в отсортированном порядке, но это не гарантируется) вы можете отсортировать вывод:

In [7]: sorted(arr[ind])
Out[7]: array([1, 2, 3])

это выполняется на O (N + K log k), потому что сортировка происходит на меньшем список вывода.

16

Я не гарантирую, что это будет быстрее, но алгоритм будет полагаться на heapq.

import heapq
indices = heapq.nsmallest(10,np.nditer(arr),key=arr.__getitem__)

Это должно работать примерно через O(N) операции при использовании argsort примет O(NlogN) операции. Однако другой выталкивается в высоко оптимизированный C, поэтому он все равно может работать лучше. Чтобы знать наверняка, вам нужно будет выполнить некоторые тесты на ваших фактических данных.

6

просто не отменяйте 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])

Отсортировано:

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])

первые десять: 

In [168]: a.argsort()[:10]
Out[168]: array([ 1,  3, 10,  4, 15,  5,  9, 14,  7,  2])
2