排序函数

3种排序算法的比较情况:

1> numpy.sort()

返回输入数组的排序副本

语法:

numpy.sort(a, axis, kind, order)

num_np = np.array([[3,7],[9,1]])
print(f'初识数组:\n{num_np}')

# 输出结果:
#  初识数组:
#  [[3 7]
#   [9 1]]

print(f'默认排序:\n{np.sort(num_np)}')

# 输出结果:
#  默认排序:
#  [[3 7]
#   [1 9]]

print(f'按列排序:\n{np.sort(num_np,axis = 0)}')

# 输出结果:
#  按列排序:
#  [[3 1]
#   [9 7]]

print(f'按行排序:\n{np.sort(num_np,axis = 1)}')

# 输出结果:
#  按行排序:
#  [[3 7]
#   [1 9]]

2> numpy.argsort()

返回数组值从小到大的索引值

x_np = np.array([3, 1, 2, 8])
print(f'初识数组:{x_np}')

# 输出结果:
#  初识数组:[3 1 2 8]
y_np = np.argsort(x_np)
print(f'数组值从小到大的索引值:{y_np}')

# 输出结果:
#  数组值从小到大的索引值:[1 2 0 3]

print(f'排序后重构原数组:{x_np[y_np]}')

# 输出结果:
#  排序后重构原数组:[1 2 3 8]

3> numpy.argmax()

沿给定轴返回最大元素的索引

num_np = np.array([[30, 40, 70],[80, 20, 10]])
print(f'初识数组:\n{num_np}')

# 输出结果:
#  初识数组:
#  [[30 40 70]
#   [80 20 10]]

print(f'默认返回沿行横向展开的最大值索引: {np.argmax(num_np)}')  

# 输出结果:
#  默认返回沿行横向展开的最大值索引: 3

print(f'沿轴 0 的最大值索引:{np.argmax(num_np,axis = 0)}')

# 输出结果:
#  沿轴 0 的最大值索引:[1 0 0]

print(f'沿轴 1 的最大值索引:{np.argmax(num_np,axis = 1)}')
# 输出结果:
#  沿轴 1 的最大值索引:[2 0]

4> numpy.argmin()

num_np = np.array([[30, 40, 70],[80, 20, 10]])
print(f'初识数组:\n{num_np}')

# 输出结果:
#  初识数组:
#  [[30 40 70]
#   [80 20 10]]

print(f'默认返回沿行横向展开的最小值索引: {np.argmin(num_np)}')  

# 输出结果:
#  默认返回沿行横向展开的最小值索引: 5

print(f'沿轴 0 的最小值索引:{np.argmin(num_np,axis = 0)}')

# 输出结果:
#  沿轴 0 的最小值索引:[0 1 1]

print(f'沿轴 1 的最小值索引:{np.argmin(num_np,axis = 1)}')
# 输出结果:
#  沿轴 1 的最小值索引:[0 2]

5> numpy.nonzero()

返回输入数组中非零元素的索引

num_np = np.array([[30, 40, 0],[0, 20, 10],[50, 0, 60]])
print(f'原始数组:\n{num_np}')

# 输出结果:
#  原始数组:
#  [[30 40  0]
#   [ 0 20 10]
#   [50  0 60]]

print(f'非零元素索引:\n{np.nonzero(num_np)}')

# 输出结果:
#  非零元素索引:
#  (array([0, 0, 1, 1, 2, 2]), array([0, 1, 1, 2, 0, 2]))

6> numpy.where()

返回输入数组中满足给定条件的元素的索引

x_np = np.arange(9).reshape(3, 3)
print(f'原始数组:\n{x_np}')

# 输出结果:
#  原始数组:
#  [[0 1 2]
#   [3 4 5]
#   [6 7 8]]

y_np = np.where(x_np > 3)
print(f'大于 3 的元素的索引{y_np}')

# 输出结果:
#  大于 3 的元素的索引(array([1, 1, 2, 2, 2]), array([1, 2, 0, 1, 2]))

print(f'使用索引获取满足条件的元素:{x_np[y_np]}')

# 输出结果:
#  使用索引获取满足条件的元素:[4 5 6 7 8]

7> numpy.extract()

根据某个条件从数组中抽取元素,然后返回满足条件的元素

num_np = np.arange(9).reshape(3, 3)
print(f'原始数组: \n{num_np}')

# 输出结果:
#  原始数组: 
#  [[0 1 2]
#   [3 4 5]
#   [6 7 8]]

# 定义条件,选择偶数元素
condition = np.mod(num_np,2) == 0
print(f'条件值:{condition}')

# 输出结果:
#  条件值:[[ True False  True]
#   [False  True False]
#   [ True False  True]]

print(f'使用条件提取元素:\n{np.extract(condition,num_np)}')

# 输出结果:
#  使用条件提取元素:
#  [0 2 4 6 8]

8> numpy.all()

# 判断stock_change[0:2, 0:5]是否全部大于0
stock_change = np.random.normal(0, 1, (8, 10))
print(np.all(stock_change[0:2, 0:5] > 0))  # 输出结果 : false

9> numpy.any()

# 判断stock_change[0:2, 0:5]是否有大于0
stock_change = np.random.normal(0, 1, (8, 10))
print(np.any(stock_change[0:2, 0:5] > 0))