python – 在维度上按范数对多维NumPy数组进行排序

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了python – 在维度上按范数对多维NumPy数组进行排序，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含3434字，纯文字阅读大概需要5分钟。

内容图文

我正在使用多维NumPy数组a,它是2×2矩阵的“向量”.
我想排序一个2×2矩阵按行规范排序.

import numpy as np
a = np.array([[[3, 4],
               [1, 2]],

              [[5, 6],
               [7, 8]]])    
sortidxs = np.argsort(np.linalg.norm(a, axis=-1))
a = np.array([a[_][sortidxs[_]] for _ in range(a.shape[0])])

# And the final output should be:

print(a)
[[[1 2]
  [3 4]]

  [[5 6]
  [7 8]]]

上面的代码片段做了我想要的(不完全,请看下面的编辑).但我一直在寻找避免循环的方法

a = np.array([a[_][sortidxs[_]] for _ in range(a.shape[0])])

– 编辑 –

上面的例子错过了问题的关键部分.a可能有更多的“空”维度,即

a = np.array([[[3, 4],
               [1, 2]],

              [[5, 6],
               [7, 8]]])
a = a.reshape((2,1,2,2))

现在看起来像：

In [257]: a
Out[257]: 
array([[[[3, 4],
         [1, 2]]],

       [[[5, 6],
         [7, 8]]]])

排序后应该是

In [259]: a
Out[259]: 
array([[[[1, 2],
         [3, 4]]],

       [[[5, 6],
         [7, 8]]]])

a也可以在开头具有以下尺寸(1,2,2,2)或更多这样的“空”尺寸.我希望这种情况也适用于这些情况.

解决方法:

你可以使用advanced-indexing –

a[np.arange(a.shape[0])[:,None], sortidxs]

样品运行 –

In [144]: a = np.random.randint(0,9,(2,3,4))

In [145]: a
Out[145]: 
array([[[1, 1, 5, 5],
        [1, 1, 7, 5],
        [6, 1, 2, 8]],

       [[7, 2, 5, 4],
        [3, 7, 3, 7],
        [8, 4, 4, 6]]])

In [146]: sortidxs = np.argsort(np.linalg.norm(a, axis=-1))

In [147]: np.array([a[_][sortidxs[_]] for _ in range(a.shape[0])])
Out[147]: 
array([[[1, 1, 5, 5],
        [1, 1, 7, 5],
        [6, 1, 2, 8]],

       [[7, 2, 5, 4],
        [3, 7, 3, 7],
        [8, 4, 4, 6]]])

In [149]: a[np.arange(a.shape[0])[:,None], sortidxs]
Out[149]: 
array([[[1, 1, 5, 5],
        [1, 1, 7, 5],
        [6, 1, 2, 8]],

       [[7, 2, 5, 4],
        [3, 7, 3, 7],
        [8, 4, 4, 6]]])

进一步提升性能

我们可以用np.einsum优化计算sortidxs –

sortidxs = np.einsum('ijk,ijk->ij',a,a).argsort()

让我们来看看并验证这个想法 –

In [94]: a = np.random.randint(0,9,(20,30,40))

In [95]: %timeit np.argsort(np.linalg.norm(a, axis=-1))
10000 loops, best of 3: 63.5 μs per loop

In [96]: %timeit np.einsum('ijk,ijk->ij',a,a).argsort()
10000 loops, best of 3: 19.7 μs per loop

In [97]: a = np.random.randint(0,9,(200,300,400))

In [98]: %timeit np.argsort(np.linalg.norm(a, axis=-1))
10 loops, best of 3: 88.6 ms per loop

In [99]: %timeit np.einsum('ijk,ijk->ij',a,a).argsort()
10 loops, best of 3: 22.6 ms per loop

具有更高尺寸的阵列

对于作为4D数组的附加情况,我们需要使用更多数组进行索引.

1]对于第一轴：使用np.arange(a.shape [0]),最后有两个新轴.

2]对于第二轴：使用np.arange(a.shape [0]),最后一个新轴.

3]对于第三轴：使用sortidxs为其索引.

因此,我们会：

m,n,r,s = a.shape
out = a[np.arange(m)[:,None,None],np.arange(n)[:,None], sortidxs]

单例暗淡的数组(dim,长度= 1)

作为一个特例,假设输入数组的第二个轴已经是单个轴,我们可以简单地使用0作为该轴,从而简化了事情,就像这样 –

a[np.arange(m)[:,None,None],0, sortidxs]

样品运行 –

In [58]: a = np.array([[[3, 4],
    ...:                [1, 2]],
    ...: 
    ...:               [[5, 6],
    ...:                [7, 8]]])
    ...: 
    ...: a = a.reshape((2,1,2,2))
    ...: 

In [59]: sortidxs = np.argsort(np.linalg.norm(a, axis=-1))

In [60]: a[np.arange(a.shape[0])[:,None,None],0, sortidxs]
Out[60]: 
array([[[[1, 2],
         [3, 4]]],


       [[[5, 6],
         [7, 8]]]])

另一个样本运行一个通用形状为(2,3,4)的数组,以使事情变得非常清晰 –

In [70]: a = np.random.randint(0,9,(2,1,3,4))

In [71]: a
Out[71]: 
array([[[[6, 4, 8, 6],
         [4, 0, 1, 0],
         [5, 3, 2, 5]]],


       [[[3, 6, 0, 4],
         [6, 2, 5, 2],
         [0, 8, 0, 8]]]])

In [72]: sortidxs = np.argsort(np.linalg.norm(a, axis=-1))

In [73]: sortidxs
Out[73]: 
array([[[1, 2, 0]],

       [[0, 1, 2]]])

In [74]: a[np.arange(a.shape[0])[:,None,None],0, sortidxs]
Out[74]: 
array([[[[4, 0, 1, 0],
         [5, 3, 2, 5],
         [6, 4, 8, 6]]],


       [[[3, 6, 0, 4],
         [6, 2, 5, 2],
         [0, 8, 0, 8]]]])

内容总结

以上是互联网集市为您收集整理的python – 在维度上按范数对多维NumPy数组进行排序全部内容，希望文章能够帮你解决python – 在维度上按范数对多维NumPy数组进行排序所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端