numpy排序与集合运算用法示例_Python

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：

									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()这个顶级的方法，会返回一个副本：

									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。

									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。

									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。

									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

									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。`

numpy排序与集合运算用法示例

就是红色的部分。

									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

numpy排序与集合运算用法示例

相关文章

热门资讯