首頁(yè) 猿問與 axis=0...

與 axis=0 相比，np.argmin(arr, axis=1) 在 2D 和 3D 數(shù)組上

Python

幕布斯7119047 2023-07-18 17:53:30

我知道如何np.argmin(arr, axis=0)運(yùn)作。但np.argmin(arr, axis=1)讓我很困惑。示例1：代碼：a2 = np.array([[1. , 2. , 3.3], [4. , 5. , 6.5]])np.argmin(a2, axis=1)輸出：array([0, 0], dtype=int64)困惑：我的困惑是，共有 2 個(gè)索引，總共 3 列。那為什么它的輸出是(0,0)呢？它應(yīng)該給出以下輸出：預(yù)期輸出#1：array([0], dtype=int64)原因：因?yàn)?，它找到了“索?”中最低的元素。預(yù)期輸出#2：array([0, 0, 0], dtype=int64)原因：因?yàn)椋趯⑺饕?0 的元素與索引 1 的元素進(jìn)行比較之后。應(yīng)該說(shuō)，每次我對(duì)這兩個(gè)索引進(jìn)行比較時(shí)，我都找到了索引 0 中的最低元素示例2：代碼：a5 = np.array([[[ 1, 2, 3, 4], [ 4, 5, 6, 7], [ 7, 8, 9, 10]], [[10, 11, 12, 13], [16, 17, 18, 19], [19, 20, 21, 22]]])np.argmin(a5, axis=1)輸出：array([[0, 0, 0, 0], [0, 0, 0, 0]], dtype=int64)困惑：現(xiàn)在為什么它在輸出中給出 4 列和 2 行？

查看完整描述

2 回答

慕村225694

TA貢獻(xiàn)1880條經(jīng)驗(yàn) 獲得超4個(gè)贊

無(wú)論軸號(hào)如何，np.min和的處理都是相同的。argmin0 并不意味著比 1 或 2 更特殊的東西。在所有情況下，指定的軸都會(huì)從結(jié)果中刪除（與相同np.sum）。

讓我們做一些更隨機(jī)、更有趣的事情：

In [216]: arr = np.arange(24)

In [218]: np.random.shuffle(arr)

In [219]: arr

Out[219]:

array([10, 2, 12, 11, 15, 8, 17, 20, 13, 21, 14, 1, 22, 7, 3, 5, 9,

0, 19, 16, 18, 6, 23, 4])

In [220]: arr = arr.reshape(2,3,4)

In [221]: arr

Out[221]:

array([[[10, 2, 12, 11],

[15, 8, 17, 20],

[13, 21, 14, 1]],

[[22, 7, 3, 5],

[ 9, 0, 19, 16],

[18, 6, 23, 4]]])

使用axis=0，確定每個(gè)“行/列”元素的哪個(gè)“平面”具有最小值。

In [222]: np.min(arr, axis=0)

Out[222]:

array([[10, 2, 3, 5],

[ 9, 0, 17, 16],

[13, 6, 14, 1]])

In [223]: np.argmin(arr, axis=0)

Out[223]:

array([[0, 0, 1, 1],

[1, 1, 0, 1],

[0, 1, 0, 0]])

argmin值是大小為 2 的維度的值索引值。10位于第一個(gè)平面，位于3第二個(gè)平面，依此類推。

對(duì)軸 2（行）做同樣的事情：

In [224]: np.min(arr, axis=2)

Out[224]:

array([[2, 8, 1],

[3, 0, 4]])

In [225]: np.argmin(arr, axis=2)

Out[225]:

array([[1, 1, 3],

[2, 1, 3]])

位于2第二列、1第四列等。

使用它argmin來(lái)獲取min值需要熟悉高級(jí)索引：

In [226]: arr[[[0],[1]], [0,1,2], _225] # Out[225] argmin

Out[226]:

array([[2, 8, 1],

[3, 0, 4]])

這里我使用 (2,1) 和 (3,) 數(shù)組（或可以制成數(shù)組的列表），它們將一起廣播以匹配 (2,3) 索引argmin。他們一起從 (2,3,4) 形狀中選取一個(gè) (2,3) 值數(shù)組arr。

一個(gè)新的功能take_along_axis應(yīng)該會(huì)讓應(yīng)用更argmin容易。它有一個(gè)例子。此處應(yīng)用：

In [236]: idx = _225

In [237]: np.take_along_axis(arr, idx[...,None], axis=2)

Out[237]:

array([[[2],

[8],

[1]],

[[3],

[0],

[4]]])

這是Out[224] np.min展開為 3d (2,3,1) 形狀的數(shù)組。在顯示中挑選出最少的元素可能會(huì)更容易Out[221]。

In [238]: idx[...,None]

Out[238]:

array([[[1],

[1],

[3]],

[[2],

[1],

[3]]])

反對(duì) 回復(fù) 2023-07-18

郎朗坤

TA貢獻(xiàn)1921條經(jīng)驗(yàn) 獲得超9個(gè)贊

看來(lái)我也無(wú)法完全理解這些符號(hào)，因?yàn)槲铱偸前l(fā)現(xiàn)自己將最后一個(gè)軸與最后一個(gè)軸之前的軸混淆了：

2D模型（行-列）

np.argmin不幸的是，不同軸的結(jié)果是：

np.argmin(arr, axis=0)    np.argmin(arr, axis=1) 
       [0 0 1]                    [0 2]

3D模型（水平-行-列）

這也很接近：

np.argmin(arr, axis=0)    np.argmin(arr, axis=1)    np.argmin(arr, axis=2) 
       [0 0]                      [0 1]                       [0 1]
       [1 0]                      [1 1]                       [0 0]

再說(shuō)一次，除了axis=1與交換之外，這工作得很好axis=2。

我不知道這個(gè)神奇的交換從何而來(lái)，但希望這個(gè)圖像有助于OP理解軸如何與維度聯(lián)系起來(lái)。

如果有人能評(píng)論為什么我需要特別應(yīng)用規(guī)則，那就太好了Swap last two axes of your expected output。

反對(duì) 回復(fù) 2023-07-18

2 回答
0 關(guān)注
158 瀏覽

關(guān)注

添加回答

舉報(bào)

0/150

提交

取消

使用 Ctrl+D 可將網(wǎng)站添加到書簽

微信客服

購(gòu)課補(bǔ)貼
聯(lián)系客服咨詢優(yōu)惠詳情

幫助反饋 APP下載

慕課網(wǎng)APP
您的移動(dòng)學(xué)習(xí)伙伴

公眾號(hào)

掃描二維碼
關(guān)注慕課網(wǎng)微信公眾號(hào)

第七色在线视频,2021少妇久久久久久久久久,亚洲欧洲精品成人久久av18,亚洲国产精品特色大片观看完整版,孙宇晨将参加特朗普的晚宴

熱搜

最近搜索清空

與 axis=0 相比，np.argmin(arr, axis=1) 在 2D 和 3D 數(shù)組上

與 axis=0 相比，np.argmin(arr, axis=1) 在 2D 和 3D 數(shù)組上

2 回答

2D模型（行-列）

3D模型（水平-行-列）

添加回答

與 axis=0 相比，np.argmin(arr, axis=1) 在 2D 和 3D 數(shù)組上

與 axis=0 相比，np.argmin(arr, axis=1) 在 2D 和 3D 數(shù)組上